باختصار
- تستطيع NVIDIA Instant NeRF تدريب مشهد في دقائق باستخدام تقنية neural radiance field (NeRF).
- يتطلب التثبيت Visual Studio 2019/2022، وCUDA Toolkit محدّثًا، وPython 3.7 أو أحدث، وCMake 3.21 أو أحدث.
- يُستخدم COLMAP لتحديد مواقع الكاميرا؛ يجب أن تكون صور الإدخال متوافقة مع مبادئ التصوير الفوتوغرامتري، حادة ومتداخلة.
- يمكن للبرنامج عرض (render) رسوم متحركة بجودة كاملة من المشهد باستخدام محرر مسار كاميرا بمنحنيات Bézier.
برنامج Instant NeRF (المعروف أيضًا بـ NGP Instant NeRF) الذي طوّرته NVIDIA هو أداة مفتوحة المصدر تجعل من الممكن تدريب مشهد ثلاثي الأبعاد باستخدام تقنية neural radiance field (NeRF) من عدد قليل من الصور في غضون دقائق. يرشدك هذا المقال إلى تثبيت الأداة من الصفر وتدريب أول مشهد لديك وإنشاء تحريك لمسار الكاميرا.
ما ستتعلمه في هذا الدليل
متطلبات تثبيت Instant NeRF
مبادئ التقاط صور إدخال عالية الجودة
تدريب المشهد باستخدام الواجهة الرسومية (GUI)
عرض (render) تحريك باستخدام مسار كاميرا بمنحنيات Bézier
المتطلبات
يتطلب Instant NeRF بطاقة NVIDIA GPU؛ تزداد الأداء مع البطاقات ذات أنوية tensor. تتوفر إصدارات ثنائية (binary) جاهزة لنظام Windows، لكن من يرغب في استخدام روابط Python أو التشغيل على Linux يجب أن يقوم بالبناء من الكود المصدري. المكوّنات المطلوبة للبناء هي كالتالي:
Windows: Visual Studio 2019 أو 2022
Linux: GCC/G++ 8 أو أحدث
CUDA 11.5 أو أحدث (Windows) أو CUDA 10.2 أو أحدث (Linux)
CMake 3.21 أو أحدث
(اختياري) Python 3.7 أو أحدث، للروابط التفاعلية
(اختياري) OptiX 7.3 أو أحدث، لتدريب mesh SDF بشكل أسرع
(اختياري) Vulkan SDK، لدعم DLSS
ووفقًا لمدونة NVIDIA نفسها، تم اختبار البناء بنجاح أيضًا مع Python 3.9 وCMake 3.22؛ ويفضّل بعض المستخدمين هذه الإصدارات.
التثبيت خطوة بخطوة وأول مشهد
1. استنساخ المستودع
git clone --recursive https://github.com/nvlabs/instant-ngp
cd instant-ngpيقوم هذا الأمر بتنزيل كامل الكود المصدري مع الوحدات الفرعية. يجب على مستخدمي Windows تنفيذ العملية داخل سطر أوامر المطوّر (developer command prompt).
2. البناء باستخدام CMake
cmake . -B build
cmake --build build --config RelWithDebInfo -jإذا استغرق البناء وقتًا طويلًا أو فشل، فقد يكون السبب نقص الذاكرة؛ في هذه الحالة أعد المحاولة دون علامة -j.
3. الاختبار بمشهد نموذجي
./build/instant-ngp --scene data/nerf/foxيقوم هذا الأمر بتدريب مشهد ثعلب جاهز موجود في المستودع وفتح الواجهة. في Windows يجب استخدام الشرطات المائلة العكسية.
4. تجهيز مشهد بصورك الخاصة. قم بالتصوير بمنطق التصوير الفوتوغرامتري وليس التصوير الوثائقي: يجب أن تبقى الأجسام في المشهد ثابتة طوال التصوير، ويجب ألا تحتوي الصور على حركة أو ضبابية تركيز؛ العدسة ذات الزاوية الواسعة تمنح ميزة لأنها تغطي مساحة أكبر. يُستخدم COLMAP لتحديد مواقع الكاميرا؛ لذا يجب أن تتداخل الصور وتكون حادة.
5. مراقبة الواجهة وإيقاف التدريب. عند بدء التدريب، يتسطح منحنى الخسارة (loss) بشكل كبير خلال أول 30 ثانية؛ يتشكّل معظم جودة الصورة خلال هذه الفترة، لكن المشهد قد يستمر في التحسّن لبضع دقائق. يمكنك إيقاف التدريب في أي وقت (بالضغط على مفتاح T) لزيادة معدل الإطارات في العارض.
6. إنشاء تحريك بمسار الكاميرا. يُنشئ محرر مسار الكاميرا في الواجهة مسارًا بمنحنيات Bézier من كل موقع تضيفه أثناء التنقل في المشهد عبر خيار "Add from Cam". يمكنك معاينة الحركة باستخدام "Read"، وحفظ مسار الكاميرا عند رضاك عن النتيجة. لعرض (render) فيديو بجودة كاملة، يجب استخدام لقطة NeRF (snapshot) المحفوظة وملف مسار الكاميرا مع نص العرض الموجود في مجلد scripts؛ على سبيل المثال، ينتج نص scripts/run.py ملف فيديو بالمدة ومعدل الإطارات والدقة التي تحددها، انطلاقًا من مشهد ومسار كاميرا محفوظين.
الأخطاء الشائعة
إذا فشل COLMAP في تحديد مواقع الكاميرا بدقة، تخرج النتيجة مشوّهة؛ والسبب الأكثر شيوعًا لذلك هو الحركة أو الضبابية أثناء التصوير.
قد تنخفض الجودة إذا تم تعريف محيط المشهد بشكل أكبر أو أصغر من اللازم؛ في هذه الحالة قد يلزم تعديل معامل aabb_scale.
عند توصيل عدة بطاقات GPU، قد يفشل الكشف التلقائي عن البنية؛ وفي هذه الحالة يجب استخدام متغيرات البيئة لاختيار بطاقة GPU الصحيحة.
الخطوات التالية
بعد إتمام سير العمل الأساسي، يمكنك استخدام قسم Snapshot في واجهة الأداة لحفظ النموذج المدرَّب وإعادة تحميله، واستكشاف المشهد بأوضاع عرض مختلفة وتصورات لتصحيح الأخطاء. تتيح روابط Python لمن يرغب في أتمتة التجارب استخدام جميع ميزات الواجهة الرسومية من سطر الأوامر.
المصدر والترخيص
هذا المقال مُقتبس إلى العربية من الدليل التقني "Getting Started with NVIDIA Instant NeRFs" المنشور على مدونة المطورين الرسمية لـ NVIDIA، ومن المعلومات الواردة في صفحة تعريف Instant NeRF من NVIDIA. تم أخذ أوامر التثبيت من صفحة مشروع instant-ngp المرخّص بموجب Apache-2.0 (مستودع camenduru/instant-ngp الذي يُستعرض عبر Hugging Face) والحفاظ عليها كما هي في صيغتها الأصلية.
المصادر
3 مصادرلا نعيد نشر نصوص المصادر؛ الاقتباسات القصيرة مشار إليها، وما تبقى ملخص وتعليق من إعدادنا.
يُعد Instant NeRF أداة تجريبية عملية لمن يرغب في تحويل مكان ما إلى نموذج ثلاثي الأبعاد بسرعة من عدد قليل من الصور؛ ومن اللافت أن إدراج الخلفية ضمن المشهد يحافظ على السياق البيئي الذي كثيرًا ما يُفقد في التصوير الفوتوغرامتري التقليدي. نوصي المكاتب في تركيا بتجربة الإصدار الثنائي الجاهز لنظام Windows أولًا على بطاقة NVIDIA GPU مناسبة، ثم الانتقال إلى البناء من الكود المصدري عند الحاجة.
مع ذلك، تتطلب الأداة عملية إعداد تقنية: الإلمام بـ Visual Studio وCUDA وCMake وبيئة Python الاختيارية يسرّع العمل. قبل استخدامها في بيئة إنتاجية، يُنصح باختبار العملية عبر عدة مشاهد تجريبية لتقليل الوقت الضائع.
الأسئلة الشائعة
ما الأجهزة المطلوبة لتشغيل Instant NeRF؟
يلزم وجود بطاقة NVIDIA GPU؛ وتزداد الأداء مع البطاقات ذات أنوية tensor. النتائج المشاركة في المصادر تم الحصول عليها باستخدام RTX 3090.
كم يستغرق تدريب مشهد باستخدام Instant NeRF؟
يتم الحصول على معظم الجودة البصرية للتدريب خلال أول 30 ثانية، لكن يمكن متابعة التدريب لبضع دقائق إضافية حتى يتسطح منحنى الخسارة.
هل Instant NeRF مجاني؟
نعم، يُقدَّم البرنامج مجانًا للاستخدام الفردي عبر GitHub.



