Models·
ضبط نموذج TRELLIS.2 باستخدام LoRA: دليل عملي لتوليد أصول ثلاثية الأبعاد
أصدرت Hugging Face نصوصاً وحاويات مفتوحة لضبط نموذج TRELLIS.2 على مجموعات بيانات ثلاثية الأبعاد مخصصة باستخدام التكيف منخفض الرتبة، مما يقلل احتياجات ذاكرة GPU ويتيح هندسة متخصصة لصناعات مثل الأثاث والأحذية.
تواجه نماذج التوليد ثلاثي الأبعاد مشكلة التجزؤ: تنسيقات ملفات متعددة (GLB، PLY) وتمثيلات متنوعة (NeRFs، Gaussian splatting) تجعل من الصعب نشر نموذج واحد عبر خطوط الإنتاج. يحل TRELLIS.2 هذا بتمثيل موحد يكشف في أي تنسيق مستهدف، لكن النموذج الأساسي لا يزال يفتقر إلى الدقة الخاصة بالمجال.
تكييف فعال لأصول ثلاثية الأبعاد خاصة بالمجال
يتيح التكيف منخفض الرتبة (LoRA) للمهندسين حقن معرفة خاصة بالمهمة عبر تدريب مصفوفات محول صغيرة مع تجميد معظم النموذج. في معيار باستخدام 188 مسحاً للأحذية من مجموعة Google Scanned Objects، صحح الضبط الدقيق باستخدام LoRA أخطاء هندسة النعل التي أنتجها النموذج المدرب مسبقاً باستمرار. يعزل النص البرمجي مفككات الهيكل والهندسة والمواد بحيث يتم تحديث المكونات ذات الصلة فقط، مما يقلل بشكل كبير المعلمات القابلة للتدريب وحجم ذاكرة GPU.
تحزم Hugging Face سير العمل كحاوية تعمل على Hugging Face Jobs أو على وحدات GPU محلية عبر Docker. تتضمن المتطلبات رمز HF، والوصول إلى مشفر DINOv3 المسور، ومجموعة بيانات مرفوعة على Hub. تتولى نفس الحاوية المعالجة المسبقة، وحقن LoRA، وتصدير نقاط التفتيش، مما يحول جهد هندسي يستغرق أياماً إلى أوامر سطر أوامر قليلة.
لماذا هذا مهم لبنية GPU / الذكاء الاصطناعي: يقلل الضبط الدقيق باستخدام LoRA طلب VRAM بنسبة 60-80% مقارنة بالتدريب الكامل للمعلمات، مما يسمح لوحدات GPU أصغر بتخصيص نماذج 3D متطورة. لمزودي السحابة، يعني هذا استخداماً أعلى للمسرعات متوسطة المدى وتسريع تسليم العملاء الذين يحتاجون أصول ثلاثية الأبعاد جاهزة للإنتاج دون توفير عناقيد ضخمة.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- 3d generation
- lora fine-tuning
- trellis
- gpu cloud
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (Hugging Face Blog)
→ كل المقالات