本文总结了在windows11下配置gaussian-splatting训练环境的步骤,主要包括gaussian-splatting库的下载、python环境配置、cudatoolkit和pytorch安装、diff-gaussian-rasterization/Simple-knn/plyfile/tdqm库安装,接着利用官方提供的已做好SFM的数据训练模型,最后查看模型效果。
目录
- 1 gaussian-splatting库的下载
- 2 python环境配置
- 3 cudatoolkit和pytorch安装
- 4 diff-gaussian-rasterization/Simple-knn/plyfile/tdqm库安装
- 5 模型训练与查看
内容
- 1 gaussian-splatting库的下载
执行命令下载gaussian-splatting :
git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive
下载源码,需注意submodules下的diff-gaussian-rasterization与simple-knn的拉取。
- 2 python环境配置
采用Miniforge或Anoconda来管理python环境,本地安装的为Anoconda 24.5.0:安装后需将conda.bat所在目录添加到系统环境变量中。
在本地命令窗口中运行如下命令,可查看安装的Anoconda版本:
conda -V
创建python环境,python版名为3.10.6,环境名称为3dgs:
conda create -n 3dgs python=3.10.6
- 3 cudatoolkit和pytorch安装
CUDA Toolkit Archive | NVIDIA Developer,选择cuda-11-8-0进行安装。安装完成后,将nvcc.exe所在目录添加到环境变量,同时将其上级目录添加到用户变量中,如下图所示:
运行如下命令可得到cudatoolkit对应的版本:
nvcc --version
激活在conda下创建的3dgs环境,安装cudatoolkit和pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
- 4 diff-gaussian-rasterization/Simple-knn/plyfile/tdqm库安装
plyfile/tdqm库安装
pip install plyfile tqdm
确保pytorch和cudatookit的安装,确保diff-gaussian-rasterization与Simple-knn的完全下载,进入到gaussian-splatting所在目录,激活3dgs环境,运行如下命令:
pip install submodules/diff-gaussian-rasterization
pip install submodules/simple-knn
- 5 模型训练与查看
官方数据下载地址为:https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/input/tandt_db.zip
训练好的模型为:https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/pretrained/models.zip
模型训练,原始数据为经过SFM后的影像数据,包含images和sparse文件夹:
python train.py -s tandt_db\db\playroom --iterations 6000
模型查看,训练好的模型存在cfg_args文件
.\SIBR_gaussianViewer_app.exe -m models\playroom
其中SIBR_gaussianViewer_app.exe可通过下载https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/binaries/viewers.zip,或着编译gaussian-splatting\SIBR_viewers下的源码得到。
总结:
本文总结了在windows11下配置gaussian-splatting训练环境的步骤,主要包括gaussian-splatting库的下载、python环境配置、cudatoolkit和pytorch安装、diff-gaussian-rasterization/Simple-knn/plyfile/tdqm库安装,接着利用官方提供的已做好SFM的数据训练模型,最后查看模型效果。