latent_package — Blender/NeRF 场景 → UniLat `latent` (.npz)

中文使用说明见：使用说明.md

整目录拷到新服务器即可用（无需 /mnt/zsn、无需拷贝整个 TRELLIS 11GB 仓库：utils3d 用 pip 安装）。

目录说明

路径	说明
`blender_flux_to_unilat.py`	主入口：体素化 + DINOv2 + encoder
`unilat_latent_to_video.py`	可选：latent → GS 视频（需 `weights/` 内另有 `gsdecoder.*`，见下文）
`unilat3d/`	UniLat3D Python 包（仅推理所需代码）
`weights/`	`encoder.json` + `encoder.safetensors`（已打包）
`requirements.txt`	手写最小依赖
`requirements-frozen.txt`	若用 `build_from_workspace.sh` 生成，可与源机器完全一致

新服务器步骤

GPU 驱动 + CUDA 与 PyTorch wheel 匹配（示例为 cu124）。

新建虚拟环境，进入本目录（含 unilat3d 子目录的这一层）：

cd /path/to/latent_package
pip install -r requirements-frozen.txt
# 若无 frozen，则: pip install -r requirements.txt

安装 flash-attn（与 torch 版本匹配；若失败请查 UniLat3D / flash-attention 文档）。
自检：
```
python blender_flux_to_unilat.py --about
```
应显示 utils3d 在 site-packages、UNILAT_CKPT 指向本目录下 weights/。

编码：

python blender_flux_to_unilat.py \
  --scene_dir /path/to/blender_flux_2/foo/edit \
  --output /path/to/out.npz \
  --device cuda:0

权重默认从 ./weights/ 读取，无需再设 UNILAT_CKPT_DIR。

重新打包（开发机）

export WORKSPACE=/root/workspace   # 按需修改
export CKPT=/mnt/zsn/ckpts/UniLat3D
bash latent_package/build_from_workspace.sh

带上 gsdecoder（多约 1GB，用于 unilat_latent_to_video.py 验证）：

COPY_DECODER=1 bash latent_package/build_from_workspace.sh

依赖说明

DINOv2：首次运行会从 torch.hub 下载，新机器需能访问外网或自行准备 hub 缓存。
spconv：若与机器 CUDA 不符，请改 requirements.txt 中的 spconv-cu* 版本或按 UniLat3D README 安装 spconv-int32 子模块（高级）。

目标机「没法 pip / 不能联网」怎么办？

不能把 torch、spconv、flash-attn 变成「纯 Python 文件」塞进小包里——它们是带 CUDA 的 .so，和 glibc、驱动、CUDA 版本绑定。要做的是：在打包机把环境整体带走，而不是指望目标机现装。

方案 A（推荐）：`conda-pack` 整环境 —— 目标机不必再执行 pip

在与目标机同架构（如都是 Linux x86_64）、CUDA 大版本接近的打包机上：

conda install -n base -c conda-forge conda-pack
bash latent_package/scripts/pack_conda_env.sh
# 得到 bundled_env/unilat3d_conda_packed.tar.gz（体积通常数 GB）

把 latent_package 整个目录 + 该 tar 拷到目标机：

mkdir -p ~/latent_runtime && tar -xzf unilat3d_conda_packed.tar.gz -C ~/latent_runtime
cd ~/latent_runtime && ./bin/conda-unpack

cd /path/to/latent_package
~/latent_runtime/bin/python blender_flux_to_unilat.py --scene_dir ... --output ... --device cuda:0

之后只用打包里的 python，不需要在目标机 pip。

注意：若目标机 glibc 更老、无 GPU 或 CUDA 与打包机差太多，可能直接跑不起来，需要在与生产机尽量同镜像的机器上打包。

方案 B：离线 wheel（目标机仍要能用 `python -m pip`，只是不联网）

在有网的打包机：

bash latent_package/scripts/download_offline_wheels.sh

会把依赖 wheel 下到 vendor/wheels/。把整个 latent_package 拷过去后，在目标机一次性离线安装：

cd /path/to/latent_package
python -m pip install --no-index --find-links=vendor/wheels -r requirements-frozen.txt

这仍然调用 pip 模块；若策略是「禁止任何 pip」，请用 方案 A。

方案 C：Docker / Singularity

在镜像里装好依赖，目标机只装容器运行时，宿主机无需 pip。适合有容器平台的情况。

为什么不能「所有依赖都放在 package 里且零安装」？

能直接放进包里的	不能单靠「拷贝几份 .py」解决的
`unilat3d/` 源码、`encoder` 权重、脚本	PyTorch、spconv、flash-attn、open3d 等预编译二进制
可选：`vendor/wheels/`（离线装）	二进制与 CUDA/驱动/系统必须匹配

因此：「必不可少」的编译依赖要么用 conda-pack / 容器 整体搬运，要么用 离线 wheel + 本地 pip。

Downloads last month: -; Downloads are not tracked for this model. How to track

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

latent_package — Blender/NeRF 场景 → UniLat latent (.npz)