Sedona

`html

Dieses Dokument bietet einen Überblick über Apache Sedona und Mitsuba 3, zwei unterschiedliche Projekte, die sich auf räumliches Computing bzw. Rendering konzentrieren. Apache Sedona ist eine leistungsstarke Spatial-Computing-Engine für die Analyse umfangreicher Daten, während Mitsuba 3 ein forschungsorientiertes Rendering-System ist, das hohe Leistung und Differenzierbarkeit bietet. Beide Projekte bieten umfangreiche Dokumentation und Community-Unterstützung.

Treten Sie der Community bei

Folgen Sie Sedona auf Twitter für aktuelle Neuigkeiten: Sedona@Twitter

Treten Sie der Sedona Discord-Community bei:

Nehmen Sie an der monatlichen Community-Sprechstunde in Sedona teil: Google Kalender, dienstags von 8 bis 9 Uhr Pacific Time, alle 4 Wochen

Sedona JIRA: Bugs, Pull Requests und andere ähnliche Probleme

Sedona-Mailinglisten: [email protected]: Projektentwicklung, allgemeine Fragen oder Tutorials.

Was ist Apache Sedona?

Apache Sedona™ ist eine Spatial-Computing-Engine, die Entwicklern die einfache Verarbeitung räumlicher Daten in jedem Maßstab in modernen Cluster-Computing-Systemen wie Apache Spark und Apache Flink ermöglicht.

Sedona-Entwickler können ihre räumlichen Datenverarbeitungsaufgaben in Spatial SQL, Spatial Python oder Spatial R ausdrücken. Intern stellt Sedona Funktionen zum Laden, Indizieren, Partitionieren und Abfragen von Abfragen zur Verfügung, die es Benutzern ermöglichen, räumliche Daten in jedem Maßstab effizient zu analysieren.

Merkmale

Zu den wichtigsten Funktionen von Apache Sedona gehören:

Dies sind einige der Hauptfunktionen von Apache Sedona, es kann jedoch je nach spezifischer Version und Konfiguration zusätzliche Funktionen bieten.

Klicken Sie und spielen Sie sofort das interaktive Sedona Python Jupyter Notebook!

Wann sollte Sedona angewendet werden?

Anwendungsfälle:

Apache Sedona ist ein weit verbreitetes Framework für die Arbeit mit Geodaten und bietet viele verschiedene Anwendungsfälle und Anwendungen. Zu den Hauptanwendungsfällen für Apache Sedona gehören:

Codebeispiel:

In diesem Beispiel werden NYC-Taxifahrtdatensätze und Taxizoneninformationen, die als CSV-Dateien auf AWS S3 gespeichert sind, in räumliche Datenrahmen von Sedona geladen. Anschließend führt es eine räumliche SQL-Abfrage der Taxifahrt-Datensätze durch, um alle Datensätze außer denen im New Yorker Stadtteil Manhattan herauszufiltern. Das Beispiel zeigt auch einen räumlichen Verknüpfungsvorgang, der Taxifahrtdatensätze Zonen zuordnet, basierend darauf, ob die Taxifahrt innerhalb der geografischen Ausdehnung der Zone liegt. Schließlich integriert der letzte Codeausschnitt die Ausgabe von Sedona mit GeoPandas und stellt die räumliche Verteilung beider Datensätze dar.

Laden Sie NYC-Taxifahrten und Taxizonendaten aus CSV-Dateien, die auf AWS S3 gespeichert sind

Räumliche SQL-Abfrage, um nur Taxifahrten in Manhattan zurückzugeben

Räumliche Verbindung zwischen Taxi-Datenrahmen und Zonen-Datenrahmen, um Taxis in jeder Zone zu finden

Zeigen Sie mit GeoPandas eine Karte der geladenen räumlichen Datenrahmen an

Docker-Image

Wir stellen ein Docker-Image für Apache Sedona mit Python JupyterLab und einem Single-Node-Cluster bereit. Die Bilder sind auf DockerHub verfügbar

Gebäude Sedona

So installieren Sie das Python-Paket:

Informationen zum Kompilieren des Quellcodes finden Sie auf der Sedona-Website

Module im Quellcode

Dokumentation

Ausführliche Informationen finden Sie auf der Website von Apache Sedona

Angetrieben von

Beispiel:

Mitsuba Renderer 3

Dokumentation	Tutorial-Videos	Linux	MacOS	Windows	PyPI

️

Warnung

️

Derzeit gibt es hier eine große Menge undokumentierter und instabiler Arbeiten

der master . Wir empfehlen Ihnen dringend, unsere zu verwenden

neueste Version

bis auf Weiteres.

Wenn Sie die bevorstehenden Änderungen bereits ausprobieren möchten, schauen Sie sich bitte um

dieser Portierungsanleitung.

Es sollte die meisten kommenden neuen Funktionen und Breaking Changes abdecken.

Einführung

Mitsuba 3 ist ein forschungsorientiertes Rendering-System für Vorwärts- und Rückwärtslicht

Transportsimulation, entwickelt an der EPFL in der Schweiz.

Es besteht aus einer Kernbibliothek und einer Reihe von Plugins, die Funktionen implementieren

von Materialien und Lichtquellen bis hin zu kompletten Rendering-Algorithmen.

Mitsuba 3 ist retargetierbar : Das bedeutet, dass die zugrunde liegenden Implementierungen und

Datenstrukturen können sich verändern, um verschiedene Aufgaben zu erfüllen. Für

Beispielsweise kann derselbe Code beide skalaren (klassischen, jeweils einen Strahl gleichzeitig ausführenden) RGB-Transporte simulieren

oder differenzieller spektraler Transport auf der GPU. Darauf baut alles auf

Dr.Jit, ein spezialisierter Just-in-Time -Compiler (JIT), der speziell für dieses Projekt entwickelt wurde.

Hauptmerkmale

• Plattformübergreifend : Mitsuba 3 wurde unter Linux ( x86_64 ) und macOS getestet

  ( aarch64 , x8664 ) und Windows ( x8664 ).

• Hohe Leistung : Der zugrunde liegende Dr.Jit-Compiler verschmilzt Rendering-Code

  in Kernel, die modernste Leistung erzielen

  ein LLVM-Backend, das auf die CPU abzielt, und ein CUDA/OptiX-Backend

  zielt auf NVIDIA-GPUs mit Raytracing-Hardwarebeschleunigung ab.

• Python zuerst : Mitsuba 3 ist tief in Python integriert. Materialien,

  Texturen und sogar vollständige Rendering-Algorithmen können in Python entwickelt werden,

  die das System im laufenden Betrieb JIT-kompiliert (und optional differenziert).

  Dies ermöglicht die Experimente, die für die Forschung in der Computergrafik erforderlich sind

  andere Disziplinen.

• Differenzierung : Mitsuba 3 ist ein differenzierbarer Renderer, was bedeutet, dass er

  kann Ableitungen der gesamten Simulation in Bezug auf die Eingabe berechnen

  Parameter wie Kameraposition, Geometrie, BSDFs, Texturen und Volumina. Es

  implementiert aktuelle differenzierbare Rendering-Algorithmen, die an der EPFL entwickelt wurden.

• Spektral und Polarisation : Mitsuba 3 kann monochromatisch verwendet werden

  Renderer, RGB-basierter Renderer oder Spektralrenderer. Jede Variante kann

  Berücksichtigen Sie optional die Auswirkungen der Polarisation, falls gewünscht.

Tutorial-Videos, Dokumentation

Wir haben mehrere YouTube-Videos aufgenommen, die eine sanfte Einführung bieten

Mitsuba 3 und Dr.Jit. Darüber hinaus finden Sie komplette Juypter-Notizbücher

Es umfasst eine Vielzahl von Anwendungen, Anleitungen und Referenzdokumentationen

auf readthedocs.

Installation

Wir stellen vorkompilierte Binärräder über PyPI bereit. Mitsuba auf diese Weise zu installieren ist so einfach wie das Ausführen

 pip install mitsuba

auf der Kommandozeile. Das Python-Paket enthält standardmäßig dreizehn Varianten:

• scalar_rgb

• scalar_spectral

• scalarspectralpolarized

• llvmadrgb

• llvmadmono

• llvmadmono_polarized

• llvmadspectral

• llvmadspectral_polarized

• cudaadrgb

• cudaadmono

• cudaadmono_polarized

• cudaadspectral

• cudaadspectral_polarized

Die ersten beiden führen eine klassische Einzelstrahl-Simulation mit entweder einem RGB durch

oder spektrale Farbdarstellung, wobei die beiden letzteren für die Umkehrung verwendet werden können

Rendern auf der CPU oder GPU. Um auf zusätzliche Varianten zugreifen zu können, müssen Sie Folgendes tun

Kompilieren Sie eine benutzerdefinierte Version von Dr.Jit mit CMake. Bitte beachten Sie die

Dokumentation

Einzelheiten hierzu finden Sie hier.

Anforderungen

• Python >= 3.8

• (optional) Für Berechnung auf der GPU: Nvidia driver >= 495.89

• (optional) Für vektorisierte / parallele Berechnung auf der CPU: LLVM >= 11.1

Verwendung

Hier ist ein einfaches „Hello World“-Beispiel, das zeigt, wie einfach es ist, ein zu rendern

Szene mit Mitsuba 3 aus Python:

 # Importieren Sie die Bibliothek mit dem Alias ​​„mi“import mitsuba as mi# Legen Sie die Variante des Renderers festmi.setvariant('scalarrgb')# Laden Sie eine Szenescene = mi.loaddict(mi.cornellbox())# Rendern Sie die Szeneimg = mi. render(scene)# Schreiben Sie das gerenderte Bild in eine EXR-Dateimi.Bitmap(img).write('cbox.exr')

Es stehen Tutorials und Beispiel-Notebooks für eine Vielzahl von Anwendungen zur Verfügung

in der Dokumentation.

Um

Dieses Projekt wurde von Wenzel Jakob erstellt.

Wesentliche Funktionen und/oder Verbesserungen am Code wurden von beigesteuert

Sébastien Speierer,

Nicolas Roussel,

Merlin Nimier-David,

Delio Vicini,

Tizian Zeltner,

Baptiste Nicolet,

Miguel Crespo,

Vincent Leroy und

Ziyi Zhang.

Wenn Sie Mitsuba 3 in akademischen Projekten verwenden, geben Sie bitte Folgendes an:

 @software{Mitsuba3,title = {Mitsuba 3 renderer},author = {Wenzel Jakob und Sébastien Speierer und Nicolas Roussel und Merlin Nimier-David und Delio Vicini und Tizian Zeltner und Baptiste Nicolet und Miguel Crespo und Vincent Leroy und Ziyi Zhang},Anmerkung = {https://mitsuba-renderer.org},Version = {3.1.1},Jahr = 2022}

`