Blender 渲染

在 Clore.ai 上进行 GPU 加速的 Blender 3D 渲染

在 CLORE.AI GPU 上使用 Blender 渲染 3D 场景和动画。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

在 CLORE.AI 上租用

1. 访问 CLORE.AI 市场

2. 按 GPU 类型、显存和价格筛选

3. 选择 按需 （固定费率）或 竞价 （出价价格）

4. 配置您的订单：

   • 选择 Docker 镜像

   • 设置端口（用于 SSH 的 TCP，Web 界面的 HTTP）

   • 如有需要，添加环境变量

   • 输入启动命令

5. 选择支付方式： CLORE, BTC，或 USDT/USDC

6. 创建订单并等待部署

访问您的服务器

• 在以下位置查找连接详情： 我的订单

• Web 界面：使用 HTTP 端口的 URL

• SSH： ssh -p <port> root@<proxy-address>

为什么为 Blender 租用 GPU？

• 比 CPU 渲染复杂场景快 10-50 倍

• 使用多 GPU 实现更快渲染

• 无需投资昂贵硬件

• 仅为渲染时间付费

要求

场景复杂度	推荐 GPU	显存
简单	RTX 3070	8GB
中等	速度	24GB
复杂度	512x512	24GB
生产环境	2s	40-80GB

快速部署

Docker 镜像：

linuxserver/blender

或无头（headless）渲染：

nytimes/blender:3.6-gpu-ubuntu22.04

端口：

22/tcp
3000/http

无头渲染设置

镜像：

nvidia/cuda:12.1.0-devel-ubuntu22.04

命令：

apt-get update && \
apt-get install -y wget libxi6 libxxf86vm1 libxfixes3 libxrender1 libgl1 && \
wget https://download.blender.org/release/Blender4.0/blender-4.0.2-linux-x64.tar.xz && \
tar -xf blender-4.0.2-linux-x64.tar.xz && \
mv blender-4.0.2-linux-x64 /opt/blender

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

上传您的项目

通过 SCP

# 上传 .blend 文件
scp -P <port> myproject.blend root@<proxy>:/workspace/

# 上传项目文件夹
scp -P <port> -r ./project/ root@<proxy>:/workspace/

通过 rsync（大项目）

rsync -avz --progress -e "ssh -p <port>" ./project/ root@<proxy>:/workspace/project/

渲染命令

单帧

/opt/blender/blender -b /workspace/myproject.blend -o /workspace/output/frame_### -f 1 -- --cycles-device CUDA

动画（帧范围）

/opt/blender/blender -b /workspace/myproject.blend -o /workspace/output/frame_### -s 1 -e 250 -a -- --cycles-device CUDA

指定帧

/opt/blender/blender -b /workspace/myproject.blend -o /workspace/output/frame_### -f 1,50,100,150,200 -- --cycles-device CUDA

渲染选项

分辨率

# 覆盖分辨率
blender -b file.blend -o //output/frame_### -x 1920 -y 1080 -a -- --cycles-device CUDA

使用 Python 脚本

blender -b file.blend --python render_setup.py -a

render_setup.py：

import bpy

# 设置渲染引擎
bpy.context.scene.render.engine = 'CYCLES'

# 设置设备
bpy.context.preferences.addons['cycles'].preferences.compute_device_type = 'CUDA'

# 启用所有 GPU
for device in bpy.context.preferences.addons['cycles'].preferences.devices:
    device.use = True

# 设置采样数
bpy.context.scene.cycles.samples = 128

# 设置分辨率
bpy.context.scene.render.resolution_x = 1920
bpy.context.scene.render.resolution_y = 1080

# 输出设置
bpy.context.scene.render.image_settings.file_format = 'PNG'

多 GPU 渲染

对于配备多个 GPU 的服务器：

import bpy

# 启用 CUDA
prefs = bpy.context.preferences.addons['cycles'].preferences
prefs.compute_device_type = 'CUDA'

# 刷新设备
prefs.get_devices()

# 启用所有 GPU
for device in prefs.devices:
    if device.type == 'CUDA':
        device.use = True
        print(f"Enabled: {device.name}")

渲染农场风格（多台服务器）

租用多台服务器并分割帧：

服务器 1：

blender -b project.blend -o //output/frame_### -s 1 -e 100 -a

服务器 2：

blender -b project.blend -o //output/frame_### -s 101 -e 200 -a

服务器 3：

blender -b project.blend -o //output/frame_### -s 201 -e 300 -a

然后在本地合并渲染结果。

Eevee 渲染（更快）

用于实时质量：

blender -b file.blend -E BLENDER_EEVEE -o //output/frame_### -a

OptiX 支持（RTX GPU）

用于 RTX 光线追踪：

import bpy
prefs = bpy.context.preferences.addons['cycles'].preferences
prefs.compute_device_type = 'OPTIX'  # 替代 CUDA

自动化渲染脚本

render.sh：

#!/bin/bash
BLEND_FILE=$1
START_FRAME=$2
END_FRAME=$3
OUTPUT_DIR=/workspace/output

mkdir -p $OUTPUT_DIR

/opt/blender/blender -b $BLEND_FILE \
    -o ${OUTPUT_DIR}/frame_### \
    -s $START_FRAME \
    -e $END_FRAME \
    -a \
    -- --cycles-device CUDA

echo "渲染完成！"
ls -la $OUTPUT_DIR

用法：

chmod +x render.sh
./render.sh /workspace/myproject.blend 1 250

监控渲染进度

查看输出文件夹

watch -n 5 'ls -la /workspace/output/ | tail -20'

Blender 输出

Blender 将帧进度打印到标准输出：

Fra:1 Mem:1234.56M (Peak 1500.00M) | Time:00:01.23 | Remaining:04:32.10 | Mem:567.89M, Peak:890.12M | Scene, View Layer | Sample 64/128

下载渲染帧

# 下载所有帧
scp -P <port> -r root@<proxy>:/workspace/output/ ./renders/

# 下载特定帧
scp -P <port> root@<proxy>:/workspace/output/frame_001.png ./

# 使用 rsync 同步
rsync -avz --progress -e "ssh -p <port>" root@<proxy>:/workspace/output/ ./renders/

视频编码

渲染完帧后，编码为视频：

# 安装 ffmpeg
apt-get install -y ffmpeg

# 编码为 MP4
ffmpeg -framerate 24 -i /workspace/output/frame_%03d.png -c:v libx264 -pix_fmt yuv420p output.mp4

# 编码为 ProRes（高质量）
ffmpeg -framerate 24 -i /workspace/output/frame_%03d.png -c:v prores_ks -profile:v 3 output.mov

性能优化建议

为速度进行优化

# 为预览减少采样数
bpy.context.scene.cycles.samples = 64

# 使用自适应采样
bpy.context.scene.cycles.use_adaptive_sampling = True
bpy.context.scene.cycles.adaptive_threshold = 0.01

# 限制反弹次数
bpy.context.scene.cycles.max_bounces = 8

内存优化

# 对高分辨率使用平铺渲染
bpy.context.scene.render.use_persistent_data = True

# 设置平铺大小
bpy.context.scene.cycles.tile_size = 256  # 针对 GPU

渲染时间估计

场景	GPU	分辨率	采样	每帧时间
简单	速度	1080p	128	~30s
中等	速度	1080p	256	~2min
复杂度	512x512	4K	512	~10min
生产环境	2s	4K	1024	~20min

成本计算

示例：250 帧动画

GPU：RTX 4090
每帧时间：2 分钟
总渲染时间：500 分钟 = 8.3 小时
小时费率：$0.04
总成本：~$0.33

# 使用固定种子以获得一致结果

"未找到 CUDA 设备"

# 检查可用设备
import bpy
prefs = bpy.context.preferences.addons['cycles'].preferences
prefs.compute_device_type = 'CUDA'
prefs.get_devices()
for d in prefs.devices:
    print(d.name, d.type)

内存不足

• 降低贴图分辨率

• 使用更小的平铺大小

• 启用“persistent data”

• 使用更简单的着色器

渲染缓慢

• 检查 GPU 是否正在使用（nvidia-smi）

• 优化场景几何体

• 使用降噪并减少采样数

使用以下方式支付

• 运行 Jupyter 进行后期处理

• AI 视频生成