生命科學(xué)與生物醫(yī)學(xué)-3D可視化和分析Amira 軟件硬件配置要求

Amira 軟件系統(tǒng)要求

Amira Software 運(yùn)行于：

• Microsoft Windows® 10（64 位）。對早于 Windows® 10 的 Windows® 版本的測試已停止。
• Linux® x86_64（64 位）。支持的 64 位架構(gòu)是 Intel64/AMD64 架構(gòu)。支持的 Linux 發(fā)行版是 CentOS 7。

注意： 對于下一個版本 2022.2，CentOS7 將停產(chǎn)并由 Ubuntu 20.04 取代，作為官方支持的 linux 平臺。在此版本之后，CentOS7 將不再有新產(chǎn)品開發(fā)或更新。您仍然可以使用我們軟件產(chǎn)品的 CentOS7 版本，我們將在 12 個月內(nèi)繼續(xù)提供錯​​誤修復(fù)。

某些版本和擴(kuò)展或功能僅限于某些平臺：

• Amira Software XWind Extension：Meshing Workroom 和 Generate Tetra Mesh 模塊僅在 Microsoft Windows 上受支持，Linux 上不支持。
• Amira Software XObjectTracking Extension 僅在 Microsoft Windows 上受支持，Linux 上不支持。
  
• Olympus 和 TXM 文件格式僅在 Microsoft Windows 上受支持，在 Linux 上不支持。
• 深度學(xué)習(xí)預(yù)測、  DL Training - Segmentation 2D 和 DL Training - Segmentation 3D 模塊僅在 Microsoft Windows 上受支持，Linux 上不支持。2D 還需要至少支持 CUDA Compute Capability 3.5 的 NVIDIA GPU，3D 需要 5.2。驅(qū)動程序應(yīng)該是最新的。此處列出了兼容的 GPU  。 還需要支持 AVX2 擴(kuò)展的 CPU。由于深度學(xué)習(xí)模塊與 Calculus MATLAB 模塊或 Generate Tracks 模塊之間存在潛在的庫沖突，因此無法同時實例化這些模塊。

   

為 Amira Software 優(yōu)先考慮硬件

介紹

本文檔旨在提供有關(guān)選擇合適的工作站來運(yùn)行 Amira 的建議。

需要考慮的四個最重要的組件是顯卡 (GPU)、CPU、RAM 和硬盤驅(qū)動器。

大體積數(shù)據(jù)的直接體渲染或從數(shù)據(jù)中提取的大三角表面可視化的性能在很大程度上取決于 GPU 的能力。圖像處理算法的性能在很大程度上取決于 CPU 的性能。快速加載或保存大數(shù)據(jù)的能力在很大程度上取決于硬盤驅(qū)動器的性能。而且，當(dāng)然，系統(tǒng)中的可用內(nèi)存量將是對可以加載和處理的數(shù)據(jù)大小的主要限制。

由于硬件要求會根據(jù)您的數(shù)據(jù)大小和工作流程而有很大差異，因此我們強(qiáng)烈建議您利用我們支持的評估版本來嘗試使用您的典型數(shù)據(jù)集之一。

在本文檔中，術(shù)語 Amira 是指 Amira Software 和所有 Amira Software 擴(kuò)展。

顯卡

Amira 可視化性能的一個最重要的決定因素是顯卡。

Amira 應(yīng)該在提供 OpenGL 2.1 或更高版本的完整實現(xiàn)的任何圖形系統(tǒng)（包括 GPU 及其驅(qū)動程序）上運(yùn)行（某些功能可能不可用，具體取決于 OpenGL 版本和支持的擴(kuò)展）。但是，顯卡和驅(qū)動程序錯誤并不少見。

所需的 GPU 內(nèi)存量取決于數(shù)據(jù)的大小。我們建議卡上至少有 1 GB。一些可視化模塊可能需要足夠大的圖形內(nèi)存來保存實際數(shù)據(jù)。

高端顯卡具有 16 到 32 GB 的內(nèi)存。全分辨率的最佳性能體積可視化要求數(shù)據(jù)適合圖形內(nèi)存（Amira 的一些體積渲染模塊能夠繞過這個限制）。

為了在單個顯示器上進(jìn)行可視化，Amira 不會受益于多個圖形板。然而，一些圖像處理算法依賴于 CUDA 進(jìn)行計算，雖然計算可以在單個支持 CUDA 的顯卡上運(yùn)行，但該計算也可以在安裝在系統(tǒng)上的第二個支持 CUDA 的顯卡上運(yùn)行。多顯卡配置可用于驅(qū)動多個屏幕或沉浸式環(huán)境。

在比較顯卡時，需要考慮許多不同的標(biāo)準(zhǔn)和性能數(shù)字。有些比其他更重要，有些對于某些類型的渲染更重要。因此，考慮您的特定可視化要求非常重要。除了基本的可視化外，不建議將集成顯卡用于 Amira 等圖形密集型應(yīng)用程序。

有關(guān) NVIDIA GeForce/Quadro 和 AMD Radeon/FirePro 卡的維基百科文章將詳細(xì)介紹具體的性能指標(biāo)：

• 內(nèi)存大?。哼@對于體可視化（體渲染和切片）以最大化圖像質(zhì)量和性能非常重要，因為體數(shù)據(jù)存儲在 GPU 的紋理內(nèi)存中進(jìn)行渲染。 #p#page_title#e#如果幾何圖形非常大（大量三角形），這對于幾何圖形渲染也很重要。
• 內(nèi)存接口/帶寬：這對于體渲染很重要，因為在渲染期間需要將大量紋理數(shù)據(jù)從系統(tǒng)移動到 GPU。PCI Express 3 總線是當(dāng)今最快的接口。
• 核心數(shù)（也稱為流處理器）：這對于體渲染非常重要，因為您啟用的每個高質(zhì)量渲染功能都需要在渲染期間在 GPU 上執(zhí)行額外的代碼。
• 每秒三角形數(shù)：這對于幾何渲染（表面、網(wǎng)格）非常重要。
• Texels per second / Fill rate：這對于體可視化（尤其是體渲染）非常重要，因為會渲染大量紋理并且像素會被“填充”多次以混合最終圖像。

   

專業(yè)顯卡

所有驅(qū)動程序錯誤都提交給供應(yīng)商。在未來的驅(qū)動程序版本中可能會有修復(fù)。

標(biāo)準(zhǔn)圖形板

由于供應(yīng)商支持政策，在標(biāo)準(zhǔn)顯卡上，我們無法承諾為由驅(qū)動程序引起的錯誤提供修復(fù)。

• 專業(yè)顯卡將  受益于供應(yīng)商提供的專業(yè)支持（驅(qū)動程序錯誤修復(fù)）。
• 始終為您的顯卡使用最新的驅(qū)動程序版本。
• 您還應(yīng)該確保將顯示器插入顯卡而不是集成芯片組。
• 對于 NVIDIA Quadro 板，我們建議使用驅(qū)動程序配置文件“3D App - Visual Simulation”。如果出現(xiàn)渲染或性能問題，您可能需要嘗試不同的“3D App”配置文件。
• 關(guān)閉垂直同步功能可以提高幀速率。
• 訪問 http://en.wikipedia.org/wiki/List_of_Nvidia_graphics_processing_units 獲取 NVIDIA 主板和比較的完整列表。
• 訪問 http://en.wikipedia.org/wiki/List_of_AMD_graphics_processing_units 獲取 AMD 主板和比較的完整列表。
• 一些可視化模塊（如體積渲染）可能不支持英特爾顯卡。

   

系統(tǒng)內(nèi)存

對于需要處理大數(shù)據(jù)的 Amira 用戶來說，系統(tǒng)內(nèi)存是第二個最重要的決定因素。

您可能需要比要在 Amira 中加載的數(shù)據(jù)的實際大小更多的內(nèi)存。某些處理可能需要數(shù)倍于原始數(shù)據(jù)集所需的內(nèi)存。例如，如果要在內(nèi)存中加載 4 GB 數(shù)據(jù)集并對原始數(shù)據(jù)應(yīng)用非本地均值過濾器，然后計算距離圖，則可能需要多達(dá) 16 或 20 GB 的額外內(nèi)存用于中間您的處理結(jié)果。通常，您需要 2 或 3 倍于基本操作正在處理的數(shù)據(jù)的內(nèi)存占用。對于更復(fù)雜的工作流程，您可能需要多達(dá) 6 或 8 倍的內(nèi)存量，因此 4 GB 數(shù)據(jù)集可能需要 32 GB。

另請注意，磁盤上的數(shù)據(jù)大小可能遠(yuǎn)小于加載數(shù)據(jù)所需的內(nèi)存，因為文件格式可能已壓縮數(shù)據(jù)（例如，加載一堆 JPEG 文件）。

Amira 可以使用大數(shù)據(jù)訪問 (LDA) 或智能多通道系列 (SMS) 技術(shù)處理超出系統(tǒng)物理內(nèi)存的數(shù)據(jù) - SMS 需要 Xplore5D 擴(kuò)展。它們是擴(kuò)展性能的極好方法，但它不能直接替代擁有更多物理內(nèi)存。使用 Amira 大數(shù)據(jù)技術(shù)與大量系統(tǒng)內(nèi)存相結(jié)合，可實現(xiàn)最佳性能和最佳分辨率。

Amira 3D Pro 提供另一種加載選項，支持從磁盤到磁盤的 2D 和 3D 圖像處理，無需將整個數(shù)據(jù)加載到內(nèi)存中；然后模塊按數(shù)據(jù)板運(yùn)行。即使硬件內(nèi)存有限，這也能處理和量化大型圖像數(shù)據(jù)。 由于每塊板坯的處理都需要從硬盤驅(qū)動器加載數(shù)據(jù)和保存結(jié)果，因此大大增加了處理時間。因此，為了獲得最佳性能，總是首選處理完全加載到內(nèi)存中的數(shù)據(jù)。

硬盤驅(qū)動器

處理大文件時，從磁盤讀取數(shù)據(jù)會降低您的工作效率。標(biāo)準(zhǔn)硬盤驅(qū)動器 (HDD)（例如，7200rpm SATA 磁盤）只能以大約 60 MB/秒的持續(xù)速率將數(shù)據(jù)流式傳輸?shù)侥膽?yīng)用程序。那是理論上的極限；您的實際體驗可能更接近 40 MB/秒。當(dāng)您想從磁盤讀取 1 GB 的文件時，您可能需要等待 25 秒。對于 10 GB 的文件，等待時間為 250 秒，超過 4 分鐘。大數(shù)據(jù)技術(shù)將大大減少數(shù)據(jù)可視化的等待時間，但當(dāng)您想要以全分辨率讀取數(shù)據(jù)文件以進(jìn)行數(shù)據(jù)處理時，磁盤訪問仍然是一個限制因素。與傳統(tǒng) HDD 相比，固態(tài)硬盤 (SSD) 可以提高讀寫速度。

為了獲得最佳性能，推薦的解決方案是在 RAID5 模式下配置多個硬盤驅(qū)動器（3 個或更多 HDD 或 SSD）；請注意，RAID 配置可能需要更多的系統(tǒng)管理。僅出于性能考慮，可以使用 RAID 0，但要注意硬盤驅(qū)動器故障時數(shù)據(jù)丟失的風(fēng)險。如果您想要性能和數(shù)據(jù)冗余，則建議使用 RAID 5。

通過網(wǎng)絡(luò)讀取數(shù)據(jù)，例如從文件服務(wù)器讀取數(shù)據(jù)，通常比從本地磁盤讀取數(shù)據(jù)要慢得多。您的網(wǎng)絡(luò)性能取決于網(wǎng)絡(luò)技術(shù)（100 Mb、1 Gb 等）、網(wǎng)絡(luò)上的其他流量以及對文件服務(wù)器的其他請求的數(shù)量/大小。請記住，您（通常）共享網(wǎng)絡(luò)和服務(wù)器，不會獲得理論帶寬。大數(shù)據(jù)技術(shù)還可以通過網(wǎng)絡(luò)促進(jìn)大量數(shù)據(jù)的可視化，但如果數(shù)據(jù)加載是您工作流程的瓶頸，我們建議您制作數(shù)據(jù)的本地副本。

中央處理器

雖然 Amira 主要依靠 GPU 性能進(jìn)行可視化，但許多模塊是計算密集型的，它們的性能將受到 CPU 性能的強(qiáng)烈影響。

Amira 中越來越多的模塊是多線程的，因此可以利用系統(tǒng)上可用的多個 CPU 或多個 CPU 內(nèi)核。Amira XImagePAQ 提供的大多數(shù)量化模塊以及各種計算模塊都是這種情況。

快速的 CPU 時鐘、內(nèi)核數(shù)量和內(nèi)存緩存是影響 Amira 性能的三個最重要的因素。雖然大多數(shù)多線程模塊會根據(jù)內(nèi)核數(shù)量很好地擴(kuò)展，但擴(kuò)展瓶頸可能來自內(nèi)存訪問。根據(jù)經(jīng)驗，最多 8 個內(nèi)核顯示出幾乎線性的可擴(kuò)展性，而超過 8 個內(nèi)核并沒有顯示出太多的性能提升。更大的內(nèi)存緩存可以提高性能。

硬件如何幫助優(yōu)化

以下是優(yōu)化特定任務(wù)時要考慮的硬件特性摘要。

可視化大數(shù)據(jù)（LDA 或 SMS）：

• 高速硬盤
• 系統(tǒng)內(nèi)存
• 顯存
• 內(nèi)存到 GPU/CPU 帶寬

基本體繪制：

• GPU 填充率（每秒紋素）

高級體積渲染（體積渲染模塊）：

• 大量使用像素著色器
• GPU 時鐘頻率、GPU 核心數(shù)

大型幾何體渲染，例如來自 Isosurface 或 Generate Surface 的大型表面、大型點(diǎn)簇、大型數(shù)值模擬網(wǎng)格：

• GPU時鐘頻率，每秒三角形數(shù)

圖像處理和量化（Amira 3D Pro）：

• 多個 CPU 內(nèi)核（適用于許多模塊，包括大多數(shù)圖像處理模塊）
• CPU時鐘頻率

Anisotropic Diffusion, Non-Local Means Filter（高性能平滑和降噪圖像過濾器）：

• GPU 速度、GPU 核心數(shù)（流處理器）、CUDA 兼容（NVIDIA）

其他計算模塊、顯示模塊數(shù)據(jù)提?。?/font>