https://virgool.ir/feed/@m_42944908fa2026-11-11 10:22:58https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@m_42944908https://virgool.ir/@m_42944908/ساخت-مدلهای-3d-با-ابزار-هوش-مصنوعی-shap-e-cgk78xmy1hm6نمونه 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 کنیدآموزش استفاده از Shap-E در گوگل کولب۱ - وارد سایت Google Colab شوید و یک دفترچه جدید بسازید:اگر صفحه خوشامدگویی باز نشد File > New notebookساخت دفترچه جدید۲ - حالت سخت افزار را انتخاب کنید:از منوی بالا وارد Runtine> Change runtime type شده و GPU را انتخاب کنید :استفاده از GPU۳- رپوزیتوری Shap-E را کلون کنید :!git clone https://github.com/openai/shap-e.gitکد بالا را اجرا کرده و منتظر باشید تا تیک سبز نمایش داده شود‏‏‏۴ -وارد دایرکتوری Shap-E شوید: یک سلول جدید بسازید (+Code ) و دستور زیر را اجرا کنید%cd shap-e۵ -نصب کتابخانه مورد نیاز: یک سلول دیگر بسازید و دستور زیر را اجرا کنید!pip install -e .ساختار نهایی۵ -قدم آخر:با اجرای کدهای زیر مدل شما ساخته خواهد شد : (مقدار prompt را به دلخواه خود تغییر دهید)''' import torchfrom shap_e.diffusion.sample import sample_latentsfrom shap_e.diffusion.gaussian_diffusion import diffusion_from_configfrom shap_e.models.download import load_model, load_configfrom shap_e.util.notebooks import create_pan_cameras, decode_latent_images, gif_widgetdevice = 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 = 4guidance_scale = 15.0prompt = "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_meshfor 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 نهاییفایلهای ذخیره شدهAli JafariAli JafariFri, 12 May 2023 12:10:40 +0330