
Shap-E یک مدل تولیدی شرطی برای داراییهای سهبعدی است که توسط OpenAI ایجاد شده است. این ابزار به شما اجازه میدهد که با وارد کردن یک متن یا یک تصویر، یک شیء سهبعدی را تولید کنید.
Shap-E بهطور کاملاً رایگان از طریق GitHub منتشر شده است،استفاده از آن به مشخصات سختافزاری قدرتمندی نیاز دارید اما میتوانید از منابع رایگانی که گوگل کولب به شما میدهد استفاده کنید
اگر صفحه خوشامدگویی باز نشد File > New notebook

از منوی بالا وارد Runtine> Change runtime type شده و GPU را انتخاب کنید :

!git clone https://github.com/openai/shap-e.git
کد بالا را اجرا کرده و منتظر باشید تا تیک سبز نمایش داده شود

یک سلول جدید بسازید (+Code ) و دستور زیر را اجرا کنید
%cd shap-e
یک سلول دیگر بسازید و دستور زیر را اجرا کنید
!pip install -e .

با اجرای کدهای زیر مدل شما ساخته خواهد شد : (مقدار prompt را به دلخواه خود تغییر دهید)
'''
import torch
from shap_e.diffusion.sample import sample_latents
from shap_e.diffusion.gaussian_diffusion import diffusion_from_config
from shap_e.models.download import load_model, load_config
from shap_e.util.notebooks import create_pan_cameras, decode_latent_images, gif_widget
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
xm = load_model('transmitter', device=device)
model = load_model('text300M', device=device)
diffusion = diffusion_from_config(load_config('diffusion'))
batch_size = 4
guidance_scale = 15.0
prompt = "spider-man" # replace this with your prompt !
latents = sample_latents(
batch_size=batch_size,
model=model,
diffusion=diffusion,
guidance_scale=guidance_scale,
model_kwargs=dict(texts=[prompt] * batch_size),
progress=True,
clip_denoised=True,
use_fp16=True,
use_karras=True,
karras_steps=64,
sigma_min=1e-3,
sigma_max=160,
s_churn=0,
)
render_mode = 'nerf' # you can change this to 'stf'
size = 128 # this is the size of the renders; higher values take longer to render.
cameras = create_pan_cameras(size, device)
for i, latent in enumerate(latents):
images = decode_latent_images(xm, latent, cameras, rendering_mode=render_mode)
display(gif_widget(images))
from shap_e.util.notebooks import decode_latent_mesh
for i, latent in enumerate(latents):
t = decode_latent_mesh(xm, latent).tri_mesh()
with open(f'example_mesh_{i}.ply', 'wb') as f:
t.write_ply(f)
with open(f'example_mesh_{i}.obj', 'w') as f:
t.write_obj(f)
'''

