Sedona

`html

Este documento fornece uma visão geral do Apache Sedona e do Mitsuba 3, dois projetos distintos com foco em computação espacial e renderização, respectivamente. Apache Sedona é um poderoso mecanismo de computação espacial para análise de dados em grande escala, enquanto Mitsuba 3 é um sistema de renderização orientado para pesquisa que oferece alto desempenho e diferenciabilidade. Ambos os projetos oferecem ampla documentação e suporte da comunidade.

Junte-se à comunidade

Siga Sedona no Twitter para novidades: Sedona@Twitter

Junte-se à comunidade Sedona Discord:

Participe do horário comercial mensal da comunidade de Sedona: Google Agenda, terças-feiras, das 8h às 9h, horário do Pacífico, a cada 4 semanas

Sedona JIRA: Bugs, solicitações pull e outros problemas semelhantes

Listas de discussão de Sedona: [email protected]: desenvolvimento de projetos, dúvidas gerais ou tutoriais.

O que é Apache Sedona?

Apache Sedona™ é um mecanismo de computação espacial que permite aos desenvolvedores processar facilmente dados espaciais em qualquer escala em sistemas modernos de computação em cluster, como Apache Spark e Apache Flink.

Os desenvolvedores de Sedona podem expressar suas tarefas de processamento de dados espaciais em Spatial SQL, Spatial Python ou Spatial R. Internamente, Sedona fornece carregamento de dados espaciais, indexação, particionamento e funcionalidade de processamento/otimização de consulta que permite aos usuários analisar dados espaciais com eficiência em qualquer escala.

Características

Alguns dos principais recursos do Apache Sedona incluem:

Esses são alguns dos principais recursos do Apache Sedona, mas podem oferecer recursos adicionais dependendo da versão e configuração específicas.

Clique e jogue o Sedona Python Jupyter Notebook interativo imediatamente!

Quando usar Sedona?

Casos de uso:

Apache Sedona é uma estrutura amplamente utilizada para trabalhar com dados espaciais e possui muitos casos de uso e aplicativos diferentes. Alguns dos principais casos de uso do Apache Sedona incluem:

Exemplo de código:

Este exemplo carrega registros de viagens de táxi em Nova York e informações sobre zonas de táxi armazenadas como arquivos .CSV no AWS S3 em dataframes espaciais de Sedona. Em seguida, ele executa consultas SQL espaciais nos conjuntos de dados de viagens de táxi para filtrar todos os registros, exceto aqueles dentro da área de Manhattan, em Nova York. O exemplo também mostra uma operação de junção espacial que corresponde registros de viagens de táxi a zonas com base no fato de a viagem de táxi estar dentro das extensões geográficas da zona. Finalmente, o último trecho de código integra a saída do Sedona com o GeoPandas e traça a distribuição espacial de ambos os conjuntos de dados.

Carregue dados de viagens de táxi e zonas de táxi em Nova York a partir de arquivos CSV armazenados no AWS S3

Consulta SQL espacial para retornar apenas viagens de táxi em Manhattan

Junção espacial entre Taxi Dataframe e Zone Dataframe para encontrar táxis em cada zona

Mostre um mapa dos Dataframes Espaciais carregados usando GeoPandas

Imagem do Docker

Fornecemos uma imagem Docker para Apache Sedona com Python JupyterLab e um cluster de nó único. As imagens estão disponíveis no DockerHub

Edifício Sedona

Para instalar o pacote Python:

Para compilar o código-fonte, consulte o site de Sedona

Módulos no código-fonte

Documentação

Visite o site do Apache Sedona para obter informações detalhadas

Distribuído por

exemplo:

Renderizador Mitsuba 3

Documentação	Vídeos tutoriais	Linux	Mac OS	Windows	PyPI

️

Aviso

️

Actualmente existe uma grande quantidade de trabalho indocumentado e instável em curso no

o ramo master . É altamente recomendável que você use nosso

último lançamento

até novo aviso.

Se você já deseja experimentar as próximas mudanças, dê uma olhada em

este guia de portabilidade.

Deve cobrir a maioria dos novos recursos e mudanças importantes que estão por vir.

Introdução

Mitsuba 3 é um sistema de renderização orientado para pesquisa para luz direta e inversa

simulação de transporte desenvolvida na EPFL na Suíça.

Consiste em uma biblioteca principal e um conjunto de plug-ins que implementam funcionalidades

variando de materiais e fontes de luz a algoritmos de renderização completos.

Mitsuba 3 é redirecionável : isso significa que as implementações subjacentes e

estruturas de dados podem ser transformadas para realizar várias tarefas diferentes. Para

Por exemplo, o mesmo código pode simular transporte RGB escalar (clássico de um raio por vez)

ou transporte espectral diferencial na GPU. Tudo isso se baseia

Dr.Jit, um compilador just-in-time (JIT) especializado desenvolvido especificamente para este projeto.

Principais recursos

• Plataforma cruzada : Mitsuba 3 foi testado em Linux ( x86_64 ), macOS

  ( aarch64 , x8664 ) e Windows ( x8664 ).

• Alto desempenho : o compilador Dr.Jit subjacente funde o código de renderização

  em kernels que alcançam desempenho de última geração usando

  um back-end LLVM direcionado à CPU e um back-end CUDA/OptiX

  visando GPUs NVIDIA com aceleração de hardware de rastreamento de raio.

• Python primeiro : Mitsuba 3 está profundamente integrado ao Python. Materiais,

  texturas e até mesmo algoritmos de renderização completos podem ser desenvolvidos em Python,

  que o sistema compila JIT (e opcionalmente diferencia) em tempo real.

  Isso permite a experimentação necessária para pesquisas em computação gráfica e

  outras disciplinas.

• Diferenciação : Mitsuba 3 é um renderizador diferenciável, o que significa que

  pode calcular derivadas de toda a simulação em relação à entrada

  parâmetros como pose de câmera, geometria, BSDFs, texturas e volumes. Isto

  implementa algoritmos de renderização diferenciáveis ​​recentes desenvolvidos na EPFL.

• Espectral e Polarização : Mitsuba 3 pode ser usado como monocromático

  renderizador, renderizador baseado em RGB ou renderizador espectral. Cada variante pode

  opcionalmente, considere os efeitos da polarização, se desejado.

Vídeos tutoriais, documentação

Gravamos vários vídeos no YouTube que fornecem uma introdução gentil

Mitsuba 3 e Dr.Jit. Além disso você pode encontrar notebooks Juypter completos

cobrindo uma variedade de aplicações, guias de instruções e documentação de referência

em readthedocs.

Instalação

Fornecemos rodas binárias pré-compiladas via PyPI. Instalar o Mitsuba desta forma é tão simples quanto executar

 pip instalar mitsuba

na linha de comando. O pacote Python inclui treze variantes por padrão:

• scalar_rgb

• scalar_spectral

• scalarspectralpolarized

• llvmadrgb

• llvmadmono

• llvmadmono_polarized

• llvmadspectral

• llvmadspectral_polarized

• cudaadrgb

• cudaadmono

• cudaadmono_polarized

• cudaadspectral

• cudaadspectral_polarized

Os dois primeiros realizam simulação clássica de um raio por vez usando um RGB

ou representação espectral de cores, enquanto os dois últimos podem ser usados ​​para representação inversa

renderização na CPU ou GPU. Para acessar variantes adicionais, você precisará

compilar uma versão personalizada do Dr.Jit usando CMake. Por favor veja o

documentação

para obter detalhes sobre isso.

Requisitos

• Python >= 3.8

• (opcional) Para computação na GPU: Nvidia driver >= 495.89

• (opcional) Para computação vetorizada/paralela na CPU: LLVM >= 11.1

Uso

Aqui está um exemplo simples de "Hello World" que mostra como é simples renderizar um

cena usando Mitsuba 3 do Python:

 # Importe a biblioteca usando o alias "mi"import mitsuba as mi# Defina a variante do renderermi.setvariant('scalarrgb')# Carregue uma scenecene = mi.loaddict(mi.cornellbox())# Renderize a cenaimg = mi. render(scene)# Grave a imagem renderizada em um arquivo EXRmi.Bitmap(img).write('cbox.exr')

Tutoriais e cadernos de exemplo cobrindo uma variedade de aplicações podem ser encontrados

na documentação.

Sobre

Este projeto foi criado por Wenzel Jakob.

Recursos e/ou melhorias significativas no código foram contribuídos por

Sébastien Speierer,

Nicolas Roussel,

Merlin Nimier-David,

Délio Vicini,

Tizian Zeltner,

Baptiste Nicolet,

Miguel Crespo,

Vicente Leroy e

Zi Yi Zhang.

Ao usar o Mitsuba 3 em projetos acadêmicos, cite:

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

`