ویرگول
ورودثبت نام
Ali Jafari
Ali Jafari
Ali Jafari
Ali Jafari
خواندن ۲ دقیقه·۴ سال پیش

ساخت مدلهای 3D با ابزار هوش مصنوعی Shap-E

نمونه های ساخته شده
نمونه های ساخته شده




‏ 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


آموزش استفاده از Shap-E در گوگل کولب


۱ - وارد سایت Google Colab شوید و یک دفترچه جدید بسازید:


اگر صفحه خوشامدگویی باز نشد File > New notebook

ساخت دفترچه جدید
ساخت دفترچه جدید

۲ - حالت سخت افزار را انتخاب کنید:

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

استفاده از GPU
استفاده از GPU

۳- رپوزیتوری Shap-E را کلون کنید :

!git clone https://github.com/openai/shap-e.git


کد بالا را اجرا کرده و منتظر باشید تا تیک سبز نمایش داده شود‏‏‏

۴ -وارد دایرکتوری Shap-E شوید:

یک سلول جدید بسازید (+Code ) و دستور زیر را اجرا کنید

%cd shap-e

۵ -نصب کتابخانه مورد نیاز:

یک سلول دیگر بسازید و دستور زیر را اجرا کنید

!pip install -e .
ساختار نهایی
ساختار نهایی

۵ -قدم آخر:

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)

'''

خروجی نهایی
خروجی نهایی


فایلهای ذخیره شده
فایلهای ذخیره شده


openaiaiهوش مصنوعیتکنولوژی
۰
۰
Ali Jafari
Ali Jafari
شاید از این پست‌ها خوشتان بیاید