Download de kaolin - Download de código fonte de kaolin

kaolin

Pitão

v0.17.0

Baixar

Caulin: uma biblioteca Pytorch para acelerar a pesquisa de aprendizado de profundidade 3D

Visão geral

NVIDIA Kaolin library provides a PyTorch API for working with a variety of 3D representations and includes a growing collection of GPU-optimized operations such as modular differentiable rendering, fast conversions between representations, data loading, 3D checkpoints, differentiable camera API, differentiable lighting with spherical harmonics and spherical gaussians, powerful quadtree acceleration structure called Structured Point Clouds, interactive 3D visualizer for Notebooks de Jupyter, contêiner de malha em lote conveniente e muito mais. Visite a documentação da Biblioteca Kaolin para começar!

Observe que a Biblioteca Kaolin faz parte do maior esforço de Nvidia Kaolin para o aprendizado de profundidade em 3D.

Instalação e início

Começando com a v0.12.0, o Caolin suporta a instalação com rodas:

 # Replace TORCH_VERSION and CUDA_VERSION with your torch / cuda versions
pip install kaolin==0.17.0 -f https://nvidia-kaolin.s3.us-east-2.amazonaws.com/torch-{TORCH_VERSION}_cu{CUDA_VERSION}.html

Por exemplo, para instalar caulino 0.17.0 sobre tocha 2.0.1 e CUDA 11.8:

 pip install kaolin==0.17.0 -f https://nvidia-kaolin.s3.us-east-2.amazonaws.com/torch-2.0.1_cu118.html

Sobre a versão mais recente (0.17.0)

Nesta versão, adicionamos Sample_Points_in_volume Função usada para "densificando" um splats gaussiano, isso pode ser usado para melhorar a simulação de física.

Melhoramos o treinamento e a simulação de física usando a Warp NVIDIA em algumas de nossas funções. Também adicionamos suporte para transmitância no carregador GLTF.


Sem densificador	Com densificador

Verifique nossos tutoriais atualizados:

Use a API fácil do Simplictic para simular uma malha
Interagir com uma simulação de física
Use a API completa do Simplictic
Simular um splat gaussiano
Simular uma ativação muscular em uma malha musculoesquelética

Consulte Alterar logs para obter detalhes.

Contribuindo

Por favor, revise nossas diretrizes de contribuição.

Projetos externos usando caulim

Nvidia Kaolin Wisp:
- Use a API da câmera, nuvens de ponto estruturado e seus recursos de renderização
Gradsim: simulação diferenciável para identificação do sistema e controle visuomotor:
- Use Rasterizador DIB-R, OBJ Loader e TimeLaps
Aprendendo a prever objetos 3D com um renderizador diferenciável baseado em interpolação:
- Use o Rasterizador DIB-R de Kaolin, as funções da câmera e o timelapse para pontos de verificação 3D.
Nível geométrico neural de detalhes: renderização em tempo real com superfícies 3D implícitas:
- Use conversões do SPC e rastreamento de raios, produzindo memória 30x e redução do tempo de treinamento 3x.
Aprendizagem de malhas tetraédricas deformáveis para reconstrução 3D:
- Use o renderizador volumétrico de Deftet de Kaolin, perdas tetraédricas, camera_functions, operadores de malha e conversões, conjunto de dados do SLAPENET, Point_To_Mesh_Distance e sidel_distance.
Text2Mesh:
- Use as funções de renderização de Kaolin, as funções da câmera e o OBJ e os importadores.
Extração de isossurface flexível para otimização de malha baseada em gradiente (FLEXICUBES):
- Use a classe Flexicube, OBJ Loader, Visualizador de plataforma giratória

Licenças

A maior parte do repositório de Caulin está sob a licença Apache v2.0, exceto sob caulim/não -comercial, que está sob licença de NSCL restrita ao uso não comercial para fins de pesquisa e avaliação. Por exemplo, o método Flexicubes é incluído em não -comercial.

A importação kaolin padrão inclui componentes licenciados por Apache:

 import kaolin

Os componentes não comerciais precisam ser explicitamente importados como:

 import kaolin.non_commercial

Citação

Se você estiver usando a Biblioteca Kaolin para sua pesquisa, cite:

 @software{KaolinLibrary,
      author = {Fuji Tsang, Clement and Shugrina, Maria and Lafleche, Jean Francois and Perel, Or and Loop, Charles and Takikawa, Towaki and Modi, Vismay and Zook, Alexander and Wang, Jiehan and Chen, Wenzheng and Shen, Tianchang and Gao, Jun and Jatavallabhula, Krishna Murthy and Smith, Edward and Rozantsev, Artem and Fidler, Sanja and State, Gavriel and Gorski, Jason and Xiang, Tommy and Li, Jianing and Li, Michael and Lebaredian, Rev},
      title = {Kaolin: A Pytorch Library for Accelerating 3D Deep Learning Research},
      date = {2024-11-20},
      version = {0.17.0},
      url={url{https://github.com/NVIDIAGameWorks/kaolin}}
}