kaolin скачать - скачать исходный код kaolin

kaolin

Питон

v0.17.0

Скачать

Каолин: библиотека Pytorch для ускорения трехмерного исследования глубокого обучения

Обзор

Библиотека Nvidia Kaolin предоставляет API Pytorch для работы с различными 3D-представлениями и включает в себя растущую коллекцию операций, оптимизированных GPU, таких как модульный дифференциальный рендеринг, быстрые преобразования между представлениями, нагрузкой данных, 3D контрольные точки, дифференцируемый API камеры, сферизационные, сферические, не сферические GAUSTEE, мощные квадризационные структуры, называемые на сферические GAUSTEERESEREDERESTERESTERENTIRESTREASTER-STRACERESTERISTERENTIRE-STRACEREDERAIN Записные книжки -юпитера, удобный пакет сетчатой контейнер и многое другое. Посетите документацию по библиотеке Каолина, чтобы начать!

Обратите внимание, что библиотека Каолина является частью более крупных усилий Nvidia Kaolin для 3D глубокого обучения.

Установка и начало работы

Начиная с V0.12.0, Каолин поддерживает установку с колесами:

 # 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

Например, чтобы установить каолин 0,17,0 над TORCH 2.0.1 и 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

О последнем выпуске (0,17,0)

В этой версии мы добавили функцию sample_points_in_volume, используемая для «уплотнения» гауссовых разрывов, это можно использовать для улучшения моделирования физики.

Мы дополнительно улучшили физическое обучение и симуляцию, используя Nvidia garp на некоторых наших функциях. Мы также добавили поддержку для передачи в загрузке GLTF.


Без уплотнения	С уплотнением

Проверьте наши обновленные уроки:

Используйте простой API Sommentice для моделирования сетки
Взаимодействовать с физическим моделированием
Используйте полнофункциональный API Sommentize
Имитировать гауссовый сортат
Имитировать активацию мышц на опорно -двигательном двигателе

Смотрите журналы изменений для деталей.

Внося

Пожалуйста, просмотрите наши руководящие принципы вклада.

Внешние проекты с использованием каолина

Nvidia Kaolin Wisp:
- Используйте API камеры, структурированные точка облака и его возможности рендеринга
Gradsim: дифференцируемое моделирование для идентификации системы и визуамоторного управления:
- Используйте Rasterizer Dib-R, OBJ Loader и Timelapse
Обучение прогнозированию 3D-объектов с помощью дифференцируемого рендеринга на основе интерполяции:
- Используйте Rasterizer Kaolin DIB-R, функции камеры и временную ткани для 3D-контрольных точек.
Нейронный геометрический уровень детализации: рендеринг в реальном времени с неявными 3D-поверхностями:
- Используйте преобразования SPC и трассировку лучей, давая 30-кратную память и 3-кратное сокращение времени обучения.
Обучение деформируемые тетраэдрические сетки для 3D -реконструкции:
- Используйте объемный визуализатор каолина, тетраэдрические потери, Camera_functions, операторы сетки и конверсии, набор данных Shapenet, point_to_mesh_distance и side_distance.
Text2mesh:
- Используйте функции рендеринга Каолина, функции камеры, а также импортеры OBJ.
Гибкая извлечение изо поверхностной оптимизации на основе градиента (Flexicubes):
- Используйте класс Flexicube, OBJ Loader, визуализатор проигрывателя

Лицензии

Большая часть репозитория Каолина находится под лицензией Apache v2.0, за исключением того, что в рамках Kaolin/Non_commercial, который находится под лицензией NSCL, ограниченной некоммерческим использованием в целях исследования и оценки. Например, метод FlexIcubes включен в не_коммеркуальную.

Импорт kaolin по умолчанию включает в себя лицензированные апаче компоненты:

 import kaolin

Некоммерческие компоненты должны быть явно импортированы как:

 import kaolin.non_commercial

Цитирование

Если вы используете библиотеку Kaolin для исследования, пожалуйста, укажите:

 @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}}
}