• <xmp id="om0om">
  • <table id="om0om"><noscript id="om0om"></noscript></table>
  • 3 月 19 日下午 2 點,鎖定 NVIDIA AI 網絡中文專場。立即注冊觀看
    人工智能/深度學習

    新的 NVIDIA Kaolin 庫版本簡化了 3D 深度學習研究工作流程

    3D 深度學習研究人員可以使用 Kaolin PyTorch 庫(現已提供)在最新算法的基礎上簡化和加速工作流程。

    NVIDIA Kaolin 庫于 2019 年 11 月首次發布,最初是作為實習項目在 NVIDIA 多倫多人工智能實驗室編寫的。在為幾個項目編寫重復的樣板代碼和復制算法組件后,研究人員開始開發 PyTorch 庫,將 3D 深度學習( 3D DL )的通用功能帶到一個地方。自第一次發布以來, Kaolin 庫已發展成為一個成熟的代碼庫,具有用于 3D 深度學習的強大且優化的實用程序和算法。

    Kaolin 庫為 3D 深度學習研究人員帶來了加速其工作流程的實用工具,以及可重用的研究組件,為未來的創新提供了基礎。例如,Kaolin 簡化了用于培訓的復雜 3D 數據集的處理。它還包括 3D 檢查點的編寫器,這些檢查點可以通過最新的 RTX NVIDIA 技術在 Omniverse Kaolin 應用程序中可視化。它還提供了構建模塊,如 3D 表示之間的轉換、用于訓練的有用 3D 損失函數以及可微分渲染。Kaolin 團隊致力于提供持續改進,并提供新的算法構建塊,以推動 3D DL 創新。

    Kaolin 庫最新版本包括一種新的表示,結構化點云( SPC ),一種基于稀疏 o CTR ee 的加速數據結構,具有高效卷積和光線跟蹤功能。 SPC 可用于放大和加速神經隱式表示,這在當今 3D DL 研究中很流行。它還支持最新版本的NeuralLOD訓練,可將內存減少 30 倍,訓練時間縮短 3 倍。

    Charles Loop 的可視化模型由斯坦福大學周倩儀提供。使用Kaolin 的 SPC 進行實時體繪制。顏色表示每射線的“點擊數”,通過稀疏 SPC 結構有效計算。

    它還包括一個名為 Dash3D 的新的輕量級 Tensorboard 樣式 web 儀表板。用戶可以利用此工具檢查 DL 模型在培訓期間生成的 3D 預測的檢查點,即使在遠程硬件配置上也是如此。

    在新的Kaolin Dash3D 訓練中,對 3D 模型預測進行輕量級可視化。

    該庫版本改進了對 3D 數據集的支持,包括新數據集( SHREC 、 ModelNet )、附加格式(.off)和USD 3D 文件格式的加速,從而使訓練期間的加載時間效率比流行的 obj 格式提高了 5 倍。此外,還包括可微繪制三維檢查點的新教程。

    有關Kaolin 庫版本的更多詳細信息,請參見官方變更日志。研究人員今天可以在GitHub上下載 Kaolin 庫。

    該庫的配套文件 Omniverse Kaolin 應用程序可通過 NVIDIA Omniverse 獲得。立即下載 NVIDIA Omniverse 公開測試版開始。要獲得更多支持,請加入 Omniverse Discord 服務器 Omniverse 論壇與社區聊天。

    ?

    +1

    標簽

    人人超碰97caoporen国产