3D Gaussian Splatting Linux端(AUTODL上配置)训练，windows下可视化（个人记录）

本文链接：https://blog.youkuaiyun.com/fluoxetine_drug/article/details/146329939

参考文章：

3D gaussian-splatting可视化SIBR_viewers在ubuntu20.04下的配置_ubuntu系统中3dgs最新版下载-优快云博客

1.项目地址

graphdeco-inria/gaussian-splatting: Original reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"https://github.com/graphdeco-inria/gaussian-splatting 3D Gaussian Splatting for Real-Time Radiance Field Rendering3D Gaussian Splatting for Real-Time Radiance Field Renderinghttps://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/

2.部署过程

autodl中服务器选择，一般是选择cuda 11.8版本，这样不容易报错。在autodl中这样选择镜像。如果想直接用别人的配置，可以去社区寻找。

远程连接

选择使用mobaxterm连接。参考如下

AutoDL算力租用，Mobaxterm+Pycharm+VScode通过SSH连接远程服务器AutoDL_如何出租自己的算力-优快云博客

克隆代码

# HTTPS
git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive

不用conda进行创建新的环境！！！！下面的不要使用，我的没有成功，一直创建失败。直接在进去的环境下进行，这样pytorch也不用重新安装。

conda env create --file environment.yml
conda activate gaussian_splatting

下载模块

真正需要下载的模块如下命令

pip install plyfile
pip install submodules/diff-gaussian-rasterization
pip install submodules/simple-knn
pip install submodules/fused-ssim
pip install opencv-python
pip install joblib

这样之后就可以进行训练了。

训练数据集

3D Gaussian Splatting for Real-Time Radiance Field Rendering

如图位置点击下载。然后用mobaxterm传到服务器上面。直接移动到上面去就可以。

解压出来是这样的：

直接指定路径就可以训练了。

python train.py -s /root/autodl-tmp/.autodl/tandt/truck -m output #左边输入，右边输出

训练完成的文件夹是这样的。我用的vscode，中见多了cfg和event两个文件

可视化

远程可视化，可以成功，但是cuda启动不了，帧率非常的低。所以转用离线，把训练结果转到windows上再进行。

具体参考如下

把这个文件下载下来移到对应位置即可，上面链接较长，可以仔细查看解决。别忘记添加环境变量。

自己的数据集

1.FFMPEG安装

// 删除所有安装的 ffmpeg
sudo apt-get remove ffmpeg
sudo apt-get purge ffmpeg
// 删除 Anaconda ffmpeg 模块
重新安装
sudo apt-get install ffmpeg

2.COLMAP安装

参考：3D Gaussian Splatting Linux端部署指南（含Linux可视化）_3d gaussian splatting 环境搭建-优快云博客

下载对应依赖

sudo apt-get install \
    git \
    cmake \
    ninja-build \
    build-essential \
    libboost-program-options-dev \
    libboost-filesystem-dev \
    libboost-graph-dev \
    libboost-system-dev \
    libeigen3-dev \
    libflann-dev \
    libfreeimage-dev \
    libmetis-dev \
    libgoogle-glog-dev \
    libgtest-dev \
    libsqlite3-dev \
    libglew-dev \
    qtbase5-dev \
    libqt5opengl5-dev \
    libcgal-dev \
    libceres-dev

进行cmake，最好更新一下cmake版本，直接用会报错。

这里不要直接使用，colmap需要3.8版本的分支

git clone https://github.com/colmap/colmap.git
cd colmap
git checkout 3.8
mkdir build
cd build
cmake .. -GNinja #CMake预处理，生成Ninja构建系统所需的文件
ninja #默认使用系统最大可用cpu核心数进行编译，如果系统cpu有32个核，等效与ninja -j32
sudo ninja install

中间的warning不用管。

可能遇到问题

CMake Error at CMakeLists.txt:255 (message):
  You must set CMAKE_CUDA_ARCHITECTURES to e.g.  'native', 'all-major', '70',
  etc.  More information at
  https://cmake.org/cmake/help/latest/prop_tgt/CUDA_ARCHITECTURES.html

把set(CMAKE_CUDA_ARCHITECTURES "70")加在cmakelist就好了

3.数据集处理

传入一段MP4

先用ffmpeg生成图片再input文件夹下，我用的是绝对路径，请自己修改路径。

ffmpeg -i /root/autodl-tmp/data/25b2501e595463da2a2fc35f0eaf1d80.mp4 -vf "setpts=0.2*PTS" /root/autodl-tmp/data/input/input_%4d.jpg

再使用colmap生成点云数据

python convert.py -s /root/autodl-tmp/data

目录结构如图

后面遵循上面训练可视化即可。

进入vs中命令行

.\SIBR_gaussianViewer_app -m E:\3D_gaussion_splatting\night\output

由于拍的时间比较短，大概13秒，图片数量不是很多，效果一般。

另外

可以直接用autodl社区别人已经搭建好的镜像。