Grendel-GS 使用教程

Grendel-GS 使用教程

Grendel-GS Ongoing research training gaussian splatting at scale by distributed system 项目地址: https://gitcode.com/gh_mirrors/gr/Grendel-GS

1. 项目介绍

Grendel-GS 是一个分布式系统下 3D Gaussian Splatting 训练的实现。该项目旨在帮助 3DGS 利用分布式系统支持实现其扩展性，类似于当前大型语言模型依赖的分布式系统。通过使用 Grendel，您的 3DGS 训练可以利用多个 GPU 的能力，实现显著更快的训练速度，支持 GPU 内存中更多的 Gaussian，并最终允许重构更大区域、更高分辨率的场景以获得更好的 PSNR。Grendel-GS 保留了原始算法，使其成为任何 Gaussian Splatting 工作流程或应用中原始 3DGS 实现的直接和安全替代。

2. 项目快速启动

环境准备

确保您的机器上安装了 Conda、与 CUDA 兼容的 GPU 和 CUDA 环境。然后安装以下必要的包：

• PyTorch
• Torchvision
• Plyfile
• tqdm

确保 PyTorch 版本 >= 1.10 以支持分布式训练的 torchrun。最后，编译并安装两个依赖的 CUDA 仓库 diff-gaussian-rasterization 和 simple-knn，它们包含用于渲染等的自定义 CUDA 核心。

使用以下命令创建环境：

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

克隆仓库

由于仓库包含子模块，请使用以下命令克隆：

git clone git@github.com:nyu-systems/Grendel-GS.git --recursive

单 GPU 训练

对于单 GPU 非分布式训练，且批量大小为 1 的情况：

python train.py -s <path to COLMAP dataset> --eval

分布式训练

对于 4 GPU 分布式训练，且批量大小为 4 的情况：

torchrun --standalone --nnodes=1 --nproc-per-node=4 train.py --bsz 4 -s <path to COLMAP dataset> --eval

3. 应用案例和最佳实践

• 案例一：使用 Grendel-GS 在 4K 场景下训练 Mega-NeRF Rubble，支持超过 4000 万个 Gaussian，而不会出现内存溢出。
• 案例二：在仅 45 秒内将 Temple&Tanks Truck 场景训练至 PSNR 23.79（基于 7000 张图像）。

4. 典型生态项目

目前，Grendel-GS 是一个独立的开源项目，它基于原始的 3DGS 实现进行扩展。其生态项目可能包括：

• 其他基于 Gaussian Splatting 的渲染和训练项目。
• 利用 Grendel-GS 进行扩展的定制化 CUDA 核心开发。
• 针对特定应用场景优化的 Grendel-GS 集成。

以上是 Grendel-GS 的基本使用教程，希望对您有所帮助。

Grendel-GS Ongoing research training gaussian splatting at scale by distributed system 项目地址: https://gitcode.com/gh_mirrors/gr/Grendel-GS