<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[nightcatNC的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/nightcatNC</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nightcatNC]]></copyright><item><title><![CDATA[【Rtmdet-ins】Unbuntu22.04将Rtmdet-ins部署到 C++ 环境中]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/161393310</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/161393310</guid><author>nightcatNC</author><pubDate>Mon, 25 May 2026 17:52:09 +0800</pubDate><description><![CDATA[本文介绍了基于RTMDet目标检测模型的TensorRT部署流程。首先搭建了包含CUDA 11.8、PyTorch 2.0.1和Python 3.9的开发环境，并安装了MMDetection、MMDeploy等必要组件。重点展示了如何将PyTorch模型转换为TensorRT格式，并通过MMDeploy导出SDK所需的元信息文件。最后提供了C++项目的CMake配置示例，演示了如何加载转换后的模型进行推理。整个过程涵盖了从环境搭建、模型转换到实际部署的全流程，为实时目标检测应用提供了完整的解决方案。]]></description><category></category></item><item><title><![CDATA[【GaussReg】Unbuntu22.04部署GaussReg]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/160010709</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/160010709</guid><author>nightcatNC</author><pubDate>Fri, 10 Apr 2026 20:30:44 +0800</pubDate><description><![CDATA[本文介绍了GaussReg环境搭建及使用流程。首先基于CUDA11.7+torch1.13.1+python3.8构建conda虚拟环境，详细说明了依赖安装步骤。然后指导下载预训练权重和样本数据集，并规范数据集目录结构。在运行环节，提供了粗配准和高斯融合两个关键步骤的具体命令，同时记录了可能遇到的动态链接库加载错误等问题的解决方法。最后展示了使用3DGS查看器观察场景A、B及融合后效果的可视化结果。整个过程涵盖了从环境配置到实际运行的完整流程，并包含常见问题的解决方案。]]></description><category></category></item><item><title><![CDATA[【FasterGS】Unbuntu22.04搭建FasterGS（在gaussian-splatting中使用其加速）]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/159633843</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/159633843</guid><author>nightcatNC</author><pubDate>Mon, 30 Mar 2026 11:20:41 +0800</pubDate><description><![CDATA[本文详细介绍了在Ubuntu系统中搭建Faster Gaussian Splatting（FasterGS）加速环境的完整流程。使用Python 3.10、PyTorch 2.1.0和CUDA 12.1构建虚拟环境，重点解决了安装过程中遇到的setuptools版本冲突、numpy版本不兼容等常见问题。通过Tanks&amp;Temples数据集测试表明，FasterGS训练速度比原版提升约2.2倍（50s vs 111s），模型大小基本保持不变（409.8MB vs 417.9MB），渲染质量指标与原版相]]></description><category></category></item><item><title><![CDATA[【FastGS】Unbuntu22.04搭建FastGS]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/159509780</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/159509780</guid><author>nightcatNC</author><pubDate>Thu, 26 Mar 2026 17:41:53 +0800</pubDate><description><![CDATA[本文介绍了FastGS环境搭建与运行流程。使用Python 3.10、PyTorch 2.1.0和CUDA 12.1构建虚拟环境，通过conda创建环境并安装依赖项。详细说明了simple-knn、fused-ssim等模块的安装方法及常见错误解决方案。提供了MipNeRF360和Tanks&amp;Temples数据集链接，展示了训练命令示例及参数说明。实验结果显示FastGS训练速度比原GS方法快约3.5倍，模型文件显著减小（68.6MB vs 417.9MB），虽PSNR指标略低但整体性能接近。最后演]]></description><category></category></item><item><title><![CDATA[【LiteGS】Unbuntu22.04搭建LiteGS]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/159491446</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/159491446</guid><author>nightcatNC</author><pubDate>Thu, 26 Mar 2026 15:39:21 +0800</pubDate><description><![CDATA[本文介绍了LiteGS环境搭建与运行流程。使用Python 3.10、PyTorch 2.1.0和CUDA 12.1构建虚拟环境，详细说明了CUDA安装、环境配置及依赖安装步骤。通过Tanks&amp;Temples数据集进行训练测试，结果显示LiteGS训练速度比原GS快3.5倍，模型文件更小(236.1MB vs 417.9MB)，且质量相当甚至略优。评估指标显示LiteGS在PSNR、SSIM等关键指标上表现良好，验证了其高效性与实用性。]]></description><category></category></item><item><title><![CDATA[【Photo-SLAM】Unbuntu22.04部署Photo-SLAM]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/159392260</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/159392260</guid><author>nightcatNC</author><pubDate>Tue, 24 Mar 2026 10:57:45 +0800</pubDate><description><![CDATA[本文详细介绍了Photo-SLAM系统的环境搭建流程，包括CUDA11.8、LibTorch2.0.1、OpenCV4.7.0等核心组件的安装配置。通过修改CMakeLists.txt和build.sh文件确保各组件正确链接，最终完成系统编译。同时提供了TUM等标准数据集的下载脚本和存放路径说明。以TUM RGB-D数据集为例，展示了系统的运行命令格式，为后续SLAM实验提供了完整的开发环境配置方案。]]></description><category></category></item><item><title><![CDATA[【Yolactedge】Unbuntu22.04运行Yolactedge推理]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/157172152</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/157172152</guid><author>nightcatNC</author><pubDate>Tue, 20 Jan 2026 15:51:21 +0800</pubDate><description><![CDATA[本文介绍了YolactEdge环境搭建与推理评估过程。首先通过CUDA 11.8和PyTorch 2.0.1搭建运行环境，创建Python 3.9虚拟环境并安装必要依赖项。随后下载预训练权重文件进行视频推理测试，但由于权重文件可能存在问题，最终推理效果较差并导致程序崩溃。作者提供了完整的安装步骤和问题说明，包括CUDA安装指南、PyTorch安装验证方法以及权重文件的替代下载链接。实验结果表明当前配置下模型性能不佳，可能需进一步调试优化。]]></description><category></category></item><item><title><![CDATA[【RTMDet-Ins】Unbuntu22.04运行RTMDet-Ins推理]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/157136568</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/157136568</guid><author>nightcatNC</author><pubDate>Tue, 20 Jan 2026 10:31:01 +0800</pubDate><description><![CDATA[摘要：本文介绍了MMDetection框架的安装步骤及RTMDet-Ins模型的使用方法。首先详细说明了Python 3.9、CUDA 11.8和PyTorch 2.0.1的环境配置过程，包括虚拟环境创建、CUDA安装和PyTorch验证。然后通过MIM工具安装MMEngine和MMCV依赖项，最后完成MMDetection的源码安装。在应用部分，演示了RTMDet-Ins模型在图片和视频推理中的使用，包括常见错误的解决方法，并展示了如何在自定义Python脚本中调用该模型进行目标检测。所有推理结果均保存在]]></description><category></category></item><item><title><![CDATA[【DynaSLAM】Unbuntu22.04部署DynaSLAM（解决mask全黑的问题）]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/156235890</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/156235890</guid><author>nightcatNC</author><pubDate>Thu, 25 Dec 2025 19:32:11 +0800</pubDate><description><![CDATA[本文介绍了DynaSLAM环境的搭建过程，主要包括ORB-SLAM2依赖安装、Python虚拟环境配置（Python 2.7+TensorFlow 1.15+Keras 2.3.1）、Mask R-CNN模型部署以及编译过程中的常见错误解决方案。重点解决了numpy路径、OpenCV版本兼容性、g2o库编译等问题，并提供了TUM动态物体数据集的下载建议。通过修改CMakeLists.txt和源码文件，最终成功完成了DynaSLAM的编译配置。]]></description><category></category></item><item><title><![CDATA[【VINGS-Mono】Unbuntu22.04部署VINGS-Mono]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/155847826</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/155847826</guid><author>nightcatNC</author><pubDate>Mon, 15 Dec 2025 11:01:36 +0800</pubDate><description><![CDATA[本文介绍了VINGS-Mono环境搭建与运行指南。主要内容包括：1）基于CUDA11.8和torch2.0.1的环境构建步骤，包含虚拟环境创建和依赖安装；2）预训练模型下载方法；3）Hierarchical 3DGS、Hotel等数据集的获取方式；4）两个Demo的运行配置及常见错误解决方案。文中详细记录了环境配置过程中的关键命令和报错处理方法，并提供了运行效果截图，最终输出渲染结果保存在output目录中。该指南适用于在Ubuntu系统上搭建VINGS-Mono视觉惯性里程计开发环境。]]></description><category></category></item><item><title><![CDATA[【4DGS-SLAM】Unbuntu22.04部署4DGS-SLAM]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/155825664</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/155825664</guid><author>nightcatNC</author><pubDate>Fri, 12 Dec 2025 10:53:37 +0800</pubDate><description><![CDATA[本文介绍了4DGS-SLAM环境搭建与测试的完整流程。首先通过CUDA11.7和torch1.13.1创建虚拟环境，安装相关依赖包及预训练模型（YOLOv9e-seg和RAFT）。使用TUM-RGBD数据集进行测试，针对动态渲染可能出现的5个常见报错提供了解决方案，包括模块缺失、参数错误等。最后展示了测试结果图像，并说明如何调整图像保存频率（通过--interval参数）。整个过程涵盖了从环境配置到实际运行的完整指导，适合自行搭建4DGS-SLAM开发环境的用户参考。]]></description><category></category></item><item><title><![CDATA[【WildGS-SLAM】Unbuntu22.04部署WildGS-SLAM]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/155708371</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/155708371</guid><author>nightcatNC</author><pubDate>Thu, 11 Dec 2025 20:23:15 +0800</pubDate><description><![CDATA[采用CUDA11.8+torch2.1.0。]]></description><category></category></item><item><title><![CDATA[【DG-SLAM】Unbuntu22.04部署DG-SLAM]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/155495511</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/155495511</guid><author>nightcatNC</author><pubDate>Mon, 08 Dec 2025 14:46:22 +0800</pubDate><description><![CDATA[本文记录了使用CUDA11.7和PyTorch1.13.1搭建DG-SLAM环境的过程。作者修改了environment.yaml配置文件，详细列出了所需的依赖项和版本，包括PyTorch相关组件、图像处理库、数学计算库等。虽然按照步骤完成了环境配置，但最终运行效果不佳，作者怀疑可能是操作问题，欢迎讨论。文中还提供了项目代码地址和CUDA安装参考链接。]]></description><category></category></item><item><title><![CDATA[【3DGS】Unbuntu22.04从零开始搭建3D Gaussian Splatting（多版本CUDA安装、SIBR安装、加速版优化器）]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/154444514</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/154444514</guid><author>nightcatNC</author><pubDate>Fri, 07 Nov 2025 18:08:54 +0800</pubDate><description><![CDATA[本文介绍了在Ubuntu 22.04系统上搭建3D Gaussian Splatting环境的完整流程。主要内容包括：1）安装Miniconda并配置PATH；2）详细说明CUDA 11.8的安装方法，包括支持多版本CUDA共存的技术方案；3）环境配置步骤，包括修改environment.yml文件和安装相关依赖。文章特别强调了CUDA版本管理技巧，使用update-alternatives工具实现CUDA 11.8和12.0版本的自由切换，并提供了详细的环境变量配置方法。最后给出了克隆项目仓库和修改环境配]]></description><category></category></item><item><title><![CDATA[Unbuntu22.04中安装多版本的CUDA，可任意切换版本]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/154480747</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/154480747</guid><author>nightcatNC</author><pubDate>Thu, 06 Nov 2025 11:17:40 +0800</pubDate><description><![CDATA[本文介绍了CUDA 11.8和12.0的安装与多版本共存方法。重点包括：1）通过下载.deb包安装特定版本CUDA；2）使用--no-install-recommends参数避免驱动覆盖；3）使用update-alternatives管理多版本切换；4）修改环境变量配置。文章详细说明了安装步骤、版本检查方法以及切换注意事项，并强调了环境变量更新的重要性。同时指出cudnn可通过PyTorch安装，无需单独处理。这些方法适用于需要同时维护多个CUDA版本的开发环境。]]></description><category></category></item><item><title><![CDATA[最新PyTorch安装教程——Windows10|错误记录]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/136811286</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/136811286</guid><author>nightcatNC</author><pubDate>Mon, 18 Mar 2024 22:33:12 +0800</pubDate><description><![CDATA[最新Pytorch安装教程以及错误记录。]]></description><category></category></item><item><title><![CDATA[Conda虚拟环境创建]]></title><link>https://blog.youkuaiyun.com/nightcatNC/article/details/136784259</link><guid>https://blog.youkuaiyun.com/nightcatNC/article/details/136784259</guid><author>nightcatNC</author><pubDate>Sun, 17 Mar 2024 16:57:32 +0800</pubDate><description><![CDATA[自定义位置的Conda虚拟环境创建方法。]]></description><category></category></item></channel></rss>