blendtorch

blendtorch 是一个用于将 Blender 无缝集成到 PyTorch 中的 Python 框架,用于从人工视觉数据进行深度学习。我们利用 Eevee(一种新的基于物理的实时渲染器)来实时合成图像和注释,从而避免在许多情况下阻碍模型训练。

如果您发现这个项目有用,欢迎引用它。

功能摘要

数据生成:实时将 Blender 渲染流式传输到 PyTorch 数据管道中,用于监督学习和领域随机应用。支持将任意可封装的对象与图像/视频一起发送。内置录制功能可在无需 Blender 的情况下重播数据。双向通信通道允许 Blender 模拟在网络训练期间进行自适应。 </br>更多信息 [examples/datagen], [examples/compositor_normals_depth], [examples/densityopt]
OpenAI Gym 支持:创建和远程控制 Blender 健身房,以训练强化代理。Blender 作为仿真、可视化和交互式实时操作环境。 </br>更多信息 [examples/control]

下图可视化了 blendtorch 在实际检测任务中用于生成人工训练数据的基本概念。

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/d29cf3b5-195d-434b-a9a5-22e7bf2d8d07.svg" width="90%"><br> <sup><strong>图 1:</strong> 使用 Blendtorch,您能够在 Blender 模拟生成的大量随机人工数据上训练您的 PyTorch 模块。</sup> </div>

入门

阅读下面的安装说明
要开始使用 blendtorch 进行训练数据训练,请阅读 [examples/datagen]。
要了解如何使用 blendtorch 创建强化训练环境,请阅读 [examples/control]。

先决条件

本程序包已在以下环境下进行了测试:

Blender >= 2.83/2.91/3.0/3.1 (Python >= 3.7)
PyTorch >= 1.5/1.10 (Python >= 3.7)

在 Windows 10 和 Linux 上运行。其他版本可能也能工作,但尚未经过测试。

安装

blendtorch 由两个不同的子包组成:

bendtorch.btt 位于 pkg_pytorch 中,
blendtorch.btb 位于 pkg_blender 中,

分别提供 PyTorch 和 Blender 对 blendtorch 的视角。bendtorch.btt 将安装到您的本地 Python 环境中,而 blendtorch.btb 将安装到随 Blender 一起提供的 Python 环境中。

克隆此存储库

git clone https://github.com/cheind/pytorch-blender.git <DST>

扩展 PATH

确保 Blender 可执行文件在您的环境查找 PATH 中。在 Windows 上,可以通过以下方式实现:
```
set PATH=c:\Program Files\Blender Foundation\Blender 2.91;%PATH%
```
在 Ubuntu 上,如果使用 snap 安装 blender,可以通过添加以下行到 ~/.bashrc 来包含该路径,
```
export PATH=/snap/blender/current/${PATH:+:${PATH}}
```
完成 Blender 设置

至少打开一次 Blender,并完成初始设置。如果跳过此步骤,某些测试(特别是与 RL 相关的测试)将会失败(Blender 2.91)。
安装 blendtorch.btb

运行
```
blender --background --python <DST>/scripts/install_btb.py
```
将 blendtorch-btb 安装到随 Blender 一起提供的 Python 环境中。
安装 blendtorch.btt

运行
```
pip install -e <DST>/pkg_pytorch
```
将 blendtorch-btt 安装到您打算运行 PyTorch 的 Python 环境中。
安装 gym [可选]

虽然不是必需的,但如果您打算将 blendtorch 用于强化学习,建议安装 OpenAI gym
```
pip install gym
```
安装开发依赖 [可选]

此步骤是可选的。如果您计划运行单元测试
```
pip install -r requirements_dev.txt
pytest tests/
```

故障排查

运行

blender --version

并检查控制台中是否写出了正确的 Blender 版本(>=2.83)。接下来,确保 blendtorch-btb 安装正确

blender --background --python-use-system-env --python-expr "import blendtorch.btb as btb; print(btb.__version__)"

这应该会打印出 blendtorch 的版本号。接下来,确保 blendtorch-btt 安装正确

python -c "import blendtorch.btt as btt; print(btt.__version__)"

这应该会打印出 blendtorch 的版本号。

架构

请参阅 [examples/datagen] 和 [examples/control] 了解深入的架构讨论。双向通信在 [examples/densityopt] 中有解释。

运行时间

下表显示了简单立方体场景(640x480xRGBA)的每批(8)和每个图像的平均运行时间。有关详细信息,请参见 benchmarks/benchmark.py。计时包括渲染、传输、解码和批量整理。报告的时间是针对 Blender 2.8 的。Blender 2.9 在这个场景上的性能同样出色,但对于更复杂的渲染通常更快。

Blender 实例	每批运行时间(秒)	每图像运行时间(秒)	参数
1	0.236	0.030	刷新 UI
2	0.14	0.018	刷新 UI
4	0.099	0.012	刷新 UI
5	0.085	0.011	无 UI 刷新

注意: 如果不需要图像传输,即在物理模拟的强化学习中,可以轻松达到 2000Hz。

引用

本代码伴随我们在机器学习人工图像领域的学术工作 [1],[2]。在引用 blendtorch 时,请考虑以下出版物

@inproceedings{blendtorch_icpr2020_cheind,
    author = {Christoph Heindl, Lukas Brunner, Sebastian Zambal and Josef Scharinger},
    title = {BlendTorch: A Real-Time, Adaptive Domain Randomization Library},
    booktitle = {
        1st Workshop on Industrial Machine Learning 
        at International Conference on Pattern Recognition (ICPR2020)
    },
    year = {2020},
}

@inproceedings{robotpose_etfa2019_cheind,
    author={Christoph Heindl, Sebastian Zambal, Josef Scharinger},
    title={Learning to Predict Robot Keypoints Using Artificially Generated Images},
    booktitle={
        24th IEEE International Conference on 
        Emerging Technologies and Factory Automation (ETFA)
    },    
    year={2019}
}