เซดอนา

`html

เอกสารนี้ให้ภาพรวมของ Apache Sedona และ Mitsuba 3 ซึ่งเป็นสองโครงการที่แตกต่างกันซึ่งมุ่งเน้นไปที่การประมวลผลเชิงพื้นที่และการเรนเดอร์ตามลำดับ Apache Sedona เป็นเครื่องมือประมวลผลเชิงพื้นที่ที่ทรงพลังสำหรับการวิเคราะห์ข้อมูลขนาดใหญ่ ในขณะที่ Mitsuba 3 เป็นระบบการเรนเดอร์ที่เน้นการวิจัยซึ่งให้ประสิทธิภาพสูงและสามารถสร้างความแตกต่างได้ ทั้งสองโครงการนำเสนอเอกสารที่ครอบคลุมและการสนับสนุนจากชุมชน

เข้าร่วมชุมชน

ติดตาม Sedona บน Twitter เพื่อรับข่าวสารใหม่: Sedona@Twitter

เข้าร่วมชุมชน Sedona Discord:

เข้าร่วมสำนักงานชุมชนเซดอนารายเดือน: Google ปฏิทิน วันอังคาร เวลา 8.00 น. ถึง 9.00 น. ตามเวลาแปซิฟิก ทุก 4 สัปดาห์

Sedona JIRA: จุดบกพร่อง คำขอดึงข้อมูล และปัญหาอื่นๆ ที่คล้ายกัน

รายชื่อผู้รับจดหมาย Sedona: [email protected]: การพัฒนาโครงการ คำถามทั่วไป หรือบทช่วยสอน

Apache Sedona คืออะไร?

Apache Sedona™ เป็นเครื่องมือประมวลผลเชิงพื้นที่ที่ช่วยให้นักพัฒนาสามารถประมวลผลข้อมูลเชิงพื้นที่ได้อย่างง่ายดายทุกขนาดภายในระบบประมวลผลคลัสเตอร์สมัยใหม่ เช่น Apache Spark และ Apache Flink

นักพัฒนา Sedona สามารถแสดงงานการประมวลผลข้อมูลเชิงพื้นที่ของตนใน Spatial SQL, Spatial Python หรือ Spatial R ได้ ภายใน Sedona มีฟังก์ชันการโหลดข้อมูลเชิงพื้นที่ การทำดัชนี การแบ่งพาร์ติชัน และฟังก์ชันการประมวลผล/เพิ่มประสิทธิภาพแบบสอบถาม ซึ่งช่วยให้ผู้ใช้สามารถวิเคราะห์ข้อมูลเชิงพื้นที่ได้อย่างมีประสิทธิภาพในทุกขนาด

คุณสมบัติ

คุณสมบัติหลักบางประการของ Apache Sedona ได้แก่:

นี่คือคุณสมบัติหลักบางประการของ Apache Sedona แต่อาจมีความสามารถเพิ่มเติม ขึ้นอยู่กับเวอร์ชันและการกำหนดค่าเฉพาะ

คลิกและเล่น Sedona Python Jupyter Notebook แบบโต้ตอบได้ทันที!

เมื่อใดจึงควรใช้เซดอนา?

กรณีการใช้งาน:

Apache Sedona เป็นเฟรมเวิร์กที่ใช้กันอย่างแพร่หลายสำหรับการทำงานกับข้อมูลเชิงพื้นที่ และมีกรณีการใช้งานและแอปพลิเคชันต่างๆ มากมาย กรณีการใช้งานหลักบางส่วนสำหรับ Apache Sedona ได้แก่:

ตัวอย่างรหัส:

ตัวอย่างนี้โหลดบันทึกการเดินทางแท็กซี่ใน NYC และข้อมูลโซนรถแท็กซี่ที่จัดเก็บเป็นไฟล์ .CSV บน AWS S3 ลงในเฟรมข้อมูลเชิงพื้นที่ Sedona จากนั้นจะทำการสืบค้น SQL เชิงพื้นที่ในชุดข้อมูลการเดินทางด้วยแท็กซี่เพื่อกรองบันทึกทั้งหมด ยกเว้นที่อยู่ในพื้นที่แมนฮัตตันของนิวยอร์ก ตัวอย่างยังแสดงการดำเนินการรวมเชิงพื้นที่ที่จับคู่บันทึกการเดินทางของรถแท็กซี่กับโซนต่างๆ โดยขึ้นอยู่กับว่าการเดินทางของรถแท็กซี่นั้นอยู่ภายในขอบเขตทางภูมิศาสตร์ของโซนหรือไม่ สุดท้าย ข้อมูลโค้ดสุดท้ายจะรวมเอาต์พุตของ Sedona เข้ากับ GeoPandas และวางแผนการกระจายเชิงพื้นที่ของชุดข้อมูลทั้งสองชุด

โหลดข้อมูลการเดินทางแท็กซี่และโซนแท็กซี่ใน NYC จากไฟล์ CSV ที่จัดเก็บไว้ใน AWS S3

แบบสอบถาม SQL เชิงพื้นที่เพื่อส่งคืนการเดินทางแท็กซี่ในแมนฮัตตันเท่านั้น

Spatial Join ระหว่าง Taxi Dataframe และ Zone Dataframe เพื่อค้นหาแท็กซี่ในแต่ละโซน

แสดงแผนที่ของ Spatial Dataframes ที่โหลดโดยใช้ GeoPandas

ภาพนักเทียบท่า

เราจัดเตรียมอิมเมจ Docker สำหรับ Apache Sedona พร้อมด้วย Python JupyterLab และคลัสเตอร์แบบโหนดเดียว รูปภาพมีอยู่ใน DockerHub

อาคารเซดอนา

ในการติดตั้งแพ็คเกจ Python:

หากต้องการรวบรวมซอร์สโค้ด โปรดดูที่เว็บไซต์ Sedona

โมดูลในซอร์สโค้ด

เอกสารประกอบ

กรุณาเยี่ยมชมเว็บไซต์ Apache Sedona สำหรับข้อมูลโดยละเอียด

ขับเคลื่อนโดย

ตัวอย่าง:

มิตสึบะ เรนเดอร์เรอร์ 3

เอกสารประกอบ	วิดีโอสอน	ลินุกซ์	แมคโอเอส	หน้าต่าง	พีพีไอ

คำเตือน

ขณะนี้มีงานที่ไม่มีเอกสารและไม่มั่นคงเกิดขึ้นจำนวนมาก

สาขา master เราขอแนะนำให้คุณใช้ของเรา

รุ่นล่าสุด

จนกว่าจะมีประกาศต่อไป

หากคุณต้องการลองใช้การเปลี่ยนแปลงที่กำลังจะเกิดขึ้น โปรดดูที่

คู่มือการย้ายนี้

ควรครอบคลุมคุณลักษณะใหม่ส่วนใหญ่และการเปลี่ยนแปลงที่กำลังจะเกิดขึ้น

การแนะนำ

Mitsuba 3 เป็นระบบการเรนเดอร์ที่เน้นการวิจัยสำหรับแสงไปข้างหน้าและไฟผกผัน

การจำลองการขนส่งที่พัฒนาขึ้นที่ EPFL ในประเทศสวิตเซอร์แลนด์

ประกอบด้วยไลบรารีหลักและชุดปลั๊กอินที่ใช้ฟังก์ชันการทำงาน

ตั้งแต่วัสดุและแหล่งกำเนิดแสงไปจนถึงอัลกอริธึมการเรนเดอร์ที่สมบูรณ์

Mitsuba 3 สามารถกำหนดเป้าหมายใหม่ได้ : นี่หมายความว่าการใช้งานพื้นฐานและ

โครงสร้างข้อมูลสามารถแปลงสภาพเพื่อทำงานต่างๆ ให้สำเร็จได้ สำหรับ

ตัวอย่าง รหัสเดียวกันสามารถจำลองการขนส่ง RGB ทั้งแบบสเกลาร์ (คลาสสิกหนึ่งเรย์ต่อครั้ง)

หรือการขนส่งสเปกตรัมที่แตกต่างกันบน GPU ทั้งหมดนี้สร้างขึ้น

Dr.Jit คอมไพเลอร์เฉพาะทาง just-in-time (JIT) ที่พัฒนาขึ้นสำหรับโปรเจ็กต์นี้โดยเฉพาะ

คุณสมบัติหลัก

• ข้ามแพลตฟอร์ม : Mitsuba 3 ได้รับการทดสอบบน Linux ( x86_64 ), macOS

  ( aarch64 , x8664 ) และ Windows ( x8664 )

• ประสิทธิภาพสูง : คอมไพเลอร์ Dr.Jit พื้นฐานจะฟิวส์โค้ดการเรนเดอร์

  สู่เมล็ดพืชที่ได้รับประสิทธิภาพอันล้ำสมัยโดยใช้

  แบ็กเอนด์ LLVM ที่กำหนดเป้าหมาย CPU และแบ็กเอนด์ CUDA/OptiX

  กำหนดเป้าหมาย NVIDIA GPU ด้วยการเร่งด้วยฮาร์ดแวร์ Ray Tracing

• Python ก่อน : Mitsuba 3 ได้รับการบูรณาการอย่างลึกซึ้งกับ Python วัสดุ,

  พื้นผิวและแม้กระทั่งอัลกอริธึมการเรนเดอร์แบบเต็มสามารถพัฒนาได้ใน Python

  ซึ่งระบบ JIT คอมไพล์ (และเลือกสร้างความแตกต่าง) ได้ทันที

  สิ่งนี้ทำให้สามารถทดลองที่จำเป็นสำหรับการวิจัยในคอมพิวเตอร์กราฟิกและ

  สาขาวิชาอื่น ๆ

• ความแตกต่าง : Mitsuba 3 เป็นตัวเรนเดอร์ที่สร้างความแตกต่างได้ ซึ่งหมายความว่ามัน

  สามารถคำนวณอนุพันธ์ของการจำลองทั้งหมดโดยคำนึงถึงอินพุต

  พารามิเตอร์ต่างๆ เช่น ท่าทางกล้อง เรขาคณิต BSDF พื้นผิว และปริมาตร มัน

  ใช้อัลกอริธึมการเรนเดอร์เชิงอนุพันธ์ล่าสุดที่พัฒนาขึ้นที่ EPFL

• สเปกตรัมและโพลาไรเซชัน : Mitsuba 3 สามารถใช้เป็นสีเดียวได้

  ตัวเรนเดอร์ ตัวเรนเดอร์แบบ RGB หรือตัวเรนเดอร์สเปกตรัม แต่ละรุ่นได้

  สามารถเลือกพิจารณาถึงผลกระทบของโพลาไรเซชันได้หากต้องการ

วิดีโอสอน เอกสารประกอบ

เราได้บันทึกวิดีโอ YouTube หลายรายการที่มีการแนะนำอย่างนุ่มนวล

มิตซูบา 3 และ คุณหมอจิตร. นอกเหนือจากนี้ คุณจะพบสมุดบันทึก Juypter ฉบับสมบูรณ์

ครอบคลุมการใช้งาน คำแนะนำวิธีใช้ และเอกสารอ้างอิงที่หลากหลาย

บน readthedocs

การติดตั้ง

เราจัดเตรียมล้อไบนารีที่คอมไพล์ไว้ล่วงหน้าผ่าน PyPI การติดตั้ง Mitsuba ด้วยวิธีนี้ทำได้ง่ายเพียงแค่ใช้งาน

 pip ติดตั้งมิตซูบา

บนบรรทัดคำสั่ง แพ็คเกจ Python มีตัวแปรสิบสามแบบตามค่าเริ่มต้น:

• scalar_rgb

• scalar_spectral

• scalarspectralpolarized

• llvmadrgb

• llvmadmono

• llvmadmono_polarized

• llvmadspectral

• llvmadspectral_polarized

• cudaadrgb

• cudaadmono

• cudaadmono_polarized

• cudaadspectral

• cudaadspectral_polarized

สองรายการแรกทำการจำลองแบบหนึ่งเรย์ต่อครั้งแบบคลาสสิกโดยใช้ RGB

หรือการแสดงสีสเปกตรัม ในขณะที่สองอันหลังสามารถใช้สำหรับการผกผันได้

แสดงผลบน CPU หรือ GPU หากต้องการเข้าถึงตัวแปรเพิ่มเติม คุณจะต้อง

รวบรวม Dr.Jit เวอร์ชันที่กำหนดเองโดยใช้ CMake โปรดดูที่

เอกสารประกอบ

สำหรับรายละเอียดเกี่ยวกับเรื่องนี้

ความต้องการ

• Python >= 3.8

• (ทางเลือก) สำหรับการคำนวณบน GPU: Nvidia driver >= 495.89

• (ทางเลือก) สำหรับการคำนวณแบบเวกเตอร์ / แบบขนานบน CPU: LLVM >= 11.1

การใช้งาน

นี่คือตัวอย่าง "Hello World" ง่ายๆ ที่แสดงให้เห็นว่าการเรนเดอร์ a เป็นเรื่องง่ายเพียงใด

ฉากโดยใช้ Mitsuba 3 จาก Python:

 # นำเข้าไลบรารีโดยใช้นามแฝง "mi" นำเข้า mitsuba เป็น mi# ตั้งค่าตัวแปรของ renderermi.setvariant('scalarrgb')# โหลดฉากฉาก = mi.loติดยาเสพติด(mi.cornellbox())# เรนเดอร์ฉาก img = mi render(scene)# เขียนภาพที่เรนเดอร์ไปยังไฟล์ EXRmi.Bitmap(img).write('cbox.exr')

สามารถดูบทช่วยสอนและสมุดบันทึกตัวอย่างที่ครอบคลุมการใช้งานที่หลากหลาย

ในเอกสารประกอบ

เกี่ยวกับ

โปรเจ็กต์นี้สร้างโดย Wenzel Jakob

คุณสมบัติที่สำคัญและ/หรือการปรับปรุงโค้ดได้รับการสนับสนุนโดย

เซบาสเตียน สไปเรอร์,

นิโคลัส รุสเซล,

เมอร์ลิน นิเมียร์-เดวิด

เดลิโอ วิชินี่,

ทิเซียน เซลท์เนอร์,

แบปติสต์ นิโคเลต์,

มิเกล เครสโป,

วินเซนต์ เลอรอย และ

จือยี่ จาง.

เมื่อใช้ Mitsuba 3 ในโครงการวิชาการ โปรดอ้างอิง:

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

-