
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-09-21 · 当前星标 ★ 2070
使用教程
环境要求
- Anaconda Python 环境(README 用 Anaconda 作为快速上手方式)
- 仓库自带的 requirements.txt 文件
- V-Ray Standalone 与 V-Ray AppSDK(渲染管线必需)
- 同时可用的 Windows 与 macOS/Linux 环境(部分步骤限定系统)
- 大容量存储,建议每批约 4TB 的便携硬盘
安装与启动步骤
-
1创建并激活环境
在仓库根目录执行,用 requirements.txt 一次性安装全部必需 Python 库,并激活新建的 hypersim-env 环境。
conda create --name hypersim-env --file requirements.txt conda activate hypersim-env -
2安装可选库
mayavi、opencv、pillow 属于可选依赖,可按需单独安装,缺失它们不影响核心管线。
pip install mayavi conda install -c conda-forge opencv conda install -c anaconda pillow -
3配置 V-Ray 路径
把 V-Ray Standalone 的 bin 加入 PATH,把 AppSDK 的 bin 加入 DYLD_LIBRARY_PATH,示例路径需改成你自己的安装位置。
export PATH=$PATH:/Applications/ChaosGroup/V-Ray/Standalone_for_mavericks_x64/bin export DYLD_LIBRARY_PATH=$DYLD_LIBRARY_PATH:/Applications/ChaosGroup/V-Ray/AppSDK/bin -
4复制 AppSDK 库
把 AppSDK bin 下的动态库与 plugins 目录手动复制到 ml-hypersim/code/python/tools,示例路径需替换为实际路径。
cp /Applications/ChaosGroup/V-Ray/AppSDK/bin/libcgauth.dylib /Users/mike/code/github/ml-hypersim/code/python/tools cp /Applications/ChaosGroup/V-Ray/AppSDK/bin/libvray.dylib /Users/mike/code/github/ml-hypersim/code/python/tools cp /Applications/ChaosGroup/V-Ray/AppSDK/bin/libvrayopenimageio.dylib /Users/mike/code/github/ml-hypersim/code/python/tools cp /Applications/ChaosGroup/V-Ray/AppSDK/bin/libvrayosl.dylib /Users/mike/code/github/ml-hypersim/code/python/tools cp /Applications/ChaosGroup/V-Ray/AppSDK/bin/libVRaySDKLibrary.dylib /Users/mike/code/github/ml-hypersim/code/python/tools cp -a /Applications/ChaosGroup/V-Ray/AppSDK/bin/plugins /Users/mike/code/github/ml-hypersim/code/python/tools -
5验证 AppSDK 安装
运行官方检查脚本,若输出配置正确的提示信息说明环境就绪,否则需回头检查环境变量和复制的库文件。
python code/python/tools/check_vray_appsdk_install.py -
6生成占据图
必须在 macOS 或 Linux 上执行,处理 Volume 1-9 的场景;要等上一步渲染与下载全部完成后才能开始。
python code/python/tools/dataset_generate_octomaps.py --dataset_dir /Volumes/portable_hard_drive/evermotion_dataset --scene_names "ai_00*" -
7生成相机轨迹
同样限定在 macOS 或 Linux 执行,输入与输出目录沿用上一步,继续处理同一批场景。
python code/python/tools/dataset_generate_camera_trajectories.py --dataset_dir /Volumes/portable_hard_drive/evermotion_dataset --scene_names "ai_00*" -
8生成 3D 边界框
在 macOS 或 Linux 上执行,bounding_box_type 取 object_aligned_2d,场景范围保持与前几步一致。
python code/python/tools/dataset_generate_bounding_boxes.py --dataset_dir /Volumes/portable_hard_drive/evermotion_dataset --bounding_box_type object_aligned_2d --scene_names "ai_00*"
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
dataset_dir | 是 | 数据集的输出目录,用于管线各步骤读写 | /Volumes/portable_hard_drive/evermotion_dataset |
dataset_dir_when_rendering | 是 | 渲染时的数据集绝对路径,Windows 盘符必须始终一致 | D:/hypersim_dataset |
downloads_dir | 是 | 存放从云端下载数据的目录,可用相对路径 | downloads |
scene_names | 是 | 指定要处理的场景,支持通配符匹配 | ai_00* |
bounding_box_type | 是 | 生成 3D 边界框时使用的类型 | object_aligned_2d |
如何确认成功
执行 python code/python/tools/check_vray_appsdk_install.py,若打印 [HYPERSIM: CHECK_VRAY_APPSDK_INSTALL] The V-Ray AppSDK is c
常见问题
Q:只装 Python 环境就能用吗?
A:requirements.txt 只装 Python 库;渲染依赖 V-Ray Standalone 和 V-Ray AppSDK,需另行安装并配置 PATH 与 DYLD_LIBRARY_PATH。
Q:为什么有的步骤只能在某个系统执行?
A:管线部分步骤必须 Windows,部分必须 macOS 或 Linux,因此输出目录要在两个系统都可见,建议放在便携硬盘上。
Q:一次应该处理多少场景?
A:README 建议每批 10 个 volume(约 100 个场景),每批单独存到一个 4TB 硬盘,批太大会因中间数据过多而撑爆磁盘。
Q:scene_names 参数怎么写?
A:支持通配符:ai_001_001 指 Volume 1 Scene 1,ai_001_* 指整个 Volume 1,ai_00* 指 Volume 1-9。
Q:每一步可以连续执行吗?
A:不可以,必须等待每次渲染通过完成、且数据全部从云端下载结束后,才能进行下一步。
注意事项
- 数据集采用 Creative Commons Attribution-ShareAlike 3.0 Unported 许可。
- dataset_dir_when_rendering 必须是绝对路径,且 Windows 下的盘符要始终保持一致。
- 管线会产生大量中间数据,磁盘 I/O 往往是瓶颈,建议使用高速盘或便携硬盘。
- 引用该数据集或工具包时请按 README 指出论文引用。
核心亮点
- 提供像素级语义、实例、深度、法线、光照等多模态密集标注,真值完整
- 7.7 万张图像覆盖 461 个场景,规模大且场景多样,适合预训练与评测
- 由苹果发布并持续维护,数据下载、读取脚本和文档齐全,开箱可用
不足之处
- 数据集体积巨大,下载和存储对磁盘与带宽要求高
- 合成数据与真实室内图像存在域差异,直接迁移可能需额外域适应
适用场景
- 训练单目室内深度估计与表面法线预测模型
- 评测语义/实例分割算法在复杂室内场景的表现
- 研究光照、材质与几何联合理解的室内场景分析任务
替代项目
ScanNet、SUN RGB-D
同类项目推荐
VeriInk
开源
可验证手写合成数据,让模型改进有据可查
Verifiable handwriting synthesis for feedback-driven model improvement and RSI resea···
Nepali-Datasets
开源
尼泊尔语数据资源一页汇总,省去到处翻找的麻烦
A list of Nepali Dataset sources. (Hoping that it will encourage everyone to researc···
apd-core
开源
公开数据集清单的元数据底座,统一收录与贡献
Core meta for awesome-public-datasets. Contribute new data here!
SocialED
开源
用统一接口跑通社交事件检测,快速复现对比模型
A python library for social event detection
dataset-serialize
开源
Pascal 数据集与 JSON 互转,一键搞定数据交换
JSON to DataSet and DataSet to JSON converter for Delphi and Lazarus (FPC)
datalad
开源
用Git方式管理大型数据和代码,实现可复现科研
Keep code, data, containers under control with git and git-annex
datasette
开源
把 CSV/SQLite 变成可搜索网站和 API,零代码
An open source multi-tool for exploring and publishing data
simulate
开源
快速搭仿真环境,批量产合成数据
Creating and sharing simulation environments for embodied and synthetic data researc···
civitai-mirror-list
开源
Civitai 下架模型一键找备份,不再怕资源丢失
A suggestion list and archive tools for models that civitai may have removed.