Nerfstudio使用教程

nerfstudio使用教程，nerfstudio官网。本教程讲述如何使用自己的数据训练nerf模型，以及生成nerf的深度图以及rgb图过程。关于nerfstudio内容这里不再赘述，这里主要讲述一些参数和命令。需要准备条件（具体可以看其他博客或者我之前写过的这篇博客）:

1、配置好nerfstudio 环境

2、安装好colmap环境

3、准备自己的数据集（这里我以fern数据集为例）

一、使用colmap生成数据集

1.数据集（fern）

这里的数据集是nerf论文中的数据集一样，20张图片来进行测试

2.生成colmap数据

准备好图片数据之后可以运行下面代码colmap。

ns-process-data {video,images,polycam,record3d} --data {DATA_PATH} --output-dir {PROCESSED_DATA_DIR}

#例子 {DATA_PATH}为你图片的文件夹路径  {PROCESSED_DATA_DIR}是你生成的路径
ns-process-data images --data images/ --output-dir colmap/

出现下面的结果说明运行成功：

生成的结果如下图所示：

• colmap文件夹:会记录colmap生成的一些数据
• image：会生成四个文件夹，image_x，表示缩放的图片
• .ply，生成的点云文件，可以导入cloudcompare中查看
• transforms.json：会生成相机内参数（cx、cy、fx、fy）和相机外参数矩阵（R，T）

3.命令中一些参数说明

（1）不仅图片数据可以colmap，可以传入视频或者{polycam,metashape,realitycapture,record3d,odm,aria}的数据，具体操作可以通过以下命令查看：

#查看可以处理的数据有哪些
ns-process-data -h

（2）对图片处理可以使用以下命令查看（其他也类似）:

ns-process-data images -h

(3)这里对images的部分命令进行解释：

命令	作用
--data	输入数据路径（必须要有）
--output-dir	输出的数据路径（必须要有）
--num-downscales	下采样的次数（默认是3）缩放图像的次数。每次缩放 2 倍。例如，值为 3 时， 图像的缩放比例分别为 2x、4x 和 8x
--skip-colmap --no-skip-colmap	跳过colmap，如果自己用colmap生成了数据，那么可以添加命令 --skip-colmap
--skip-image-processing --no-skip-image-processing	如果为 "True"，则跳过图像的复制和缩放，仅在可能和启用的情况下运行 COLMAP。

这里选择了一些可能用到的命令，其他可以看具体的文档，特征提取、特征匹配的一些方法都有具体的操作。

二、使用nerfstudio训练数据

1、对colmap生成的数据训练

ns-train nerfacto --data {PROCESSED_DATA_DIR} --output-dir {PATH}
# {PROCESSED_DATA_DIR}这里是你colmap生成的路径位置{PATH}是你输出的路径

#例子
ns-train nerfacto --data colmap --output-dir train

如下训练的过程，可以通过端口查看。

训练的过程，可以在右边调整一些参数或者查看深度图之类的。

训练完成：

会生成以下目录（包含训练的一些参数还有transforms矩阵）：

其中最重要的就是config.yml文件，之后的命令都会涉及到这个文件。

2、设置camera_path

在训练时设置camera_path,生成深度图和rgb图的时候会根据相机路径来生成相应的图。具体操作：

点击render，然后Add Keyframe添加相机路径，可以添加具体输入的图片，也可以添加一些选定视角的frame。如图是我选择的路径，这个步骤详细可以看nerfstudio官方视频

选定后，然后点击下面的Generate Command可以在colmap的文件夹中看到生成的camera的json文件。如图所示：

3、参数说明

#可以通过这个命令查看nerfacto训练参数，一般其他参数都使用默认的就可以了
ns-train nerfacto -h
#也可以使用其他方法来渲染,如下命令可以查看。

ns-trian -h
#其他方法也没有尝试，感兴趣的可以尝试一下。

三、可视化过程

1、可以通过viewer查看生成的结果

ns-viewer --load-config {outputs/.../config.yml}
#--load-config PATH
#Path 是生成的config.yml
#例子
ns-viewer --load-config train/colmap/nerfacto/2024-04-22_162813/config.yml 
 
#可以通过以下命令查看帮助
ns-viewer -h

可以查看渲染的结果，如图所示：

也可以在右边进行操作，之前要是没有选择camera_path,也可以在这里选择。Export可以导出生成的点云或者mesh的命令。下面会继续介绍。

四、导出点云

 export命令查看帮助

ns-export -h

1、pointcloud

命令查看帮助

ns-export pointcloud -h

#必须要的参数
--load-config PATH  config.yaml文件
--output-dir PATH  输出路径

#例子
ns-export pointcloud --load-config outputs/fern/nerfacto/2024-04-18_100522/config.yml --output-dir exports/pcd/ --num-points 1000000 --remove-outliers True --normal-method open3d --use_bounding_box False --save-world-frame False --obb_center 0.0000000000 0.0000000000 0.0000000000 --obb_rotation 0.0000000000 0.0000000000 0.0000000000 --obb_scale 1.0000000000 1.0000000000 1.0000000000

2、poisson：

#查看帮助
ns-export poission -h
#例子
ns-export poisson --load-config train/colmap/nerfacto/2024-04-22_162813/config.yml --output-dir exports/mesh/ --t
arget-num-faces 50000 --num-pixels-per-side 2048 --num-points 1000000 --remove-outliers True --normal-method open3d --use_bounding_box False --obb_center 0.0000000000 0.000
0000000 0.0000000000 --obb_rotation 0.0000000000 0.0000000000 0.0000000000 --obb_scale 1.0000000000 1.0000000000 1.0000000000

3、 cameras：

生成训练后的图片的位姿参数（R，T）

#查看帮助
ns-export cameras -h

#例子
ns-export cameras --load-config train/colmap/nerfacto/2024-04-22_162813/config.yml  --output-dir exports/camjson

可以到具体路径去查看

五、渲染出depth和rgb图

render命令查看帮助

ns-render -h

1、render camera：

查看帮助：

ns-render camera-path -h

深度图例子：

ns-render camera-path --load-config train/colmap/nerfacto/2024-04-22_162813/config.yml --output-path rgbanddepth/
 --rendered-output-names depth --depth-near-plane 0.5 --depth-far-plane 5.0 --output-format images --colormap-options.colormap gray --camera-path-filename colmap/camera
_paths/2024-04-22-16-28-30.json 

对上面参数说明:

--rendered-output-names	设置渲染的是深度图还是rgb图，可选depth ，rgb
--depth-near-plane	近平面
--depth-far-plane	远平面
--output-format	输出的格式，可选image，video
--colormap-options.colormap	深度图格式 可选gray
--camera-path-filename	camera_path,在之前训练的时候提到的camera_path

设置--rendered-output-names的depth和rgb，生成相应的深度图和rgb图。

关于深度图的计算公式：

（1）深度值的范围：首先确定深度值的实际范围，例如，由depth-near-plane和depth-far-plane参数指定。提供的例子中，这些值分别是0.5和5.0。

（2）归一化：将计算得到的每个深度值归一化到0-1的范围。这通过以下公式完成： 

（3）缩放：将归一化的深度值缩放到0-255的范围，以便可以将其用作图像中的像素强度值： 

（4）四舍五入：通常，pixel_value会四舍五入到最近的整数，以确保它在0-255的整数值范围内。

（5）颜色映射：在某些情况下，可能还会应用颜色映射函数，将单通道的灰度图像转换为具有不同颜色的深度图，以便于可视化不同的深度层次。

rgb图和深度图训练的结果：

PS：如果想知道相机内参，可以在nerfstudio.cameras.camera_paths.py中修改代码，如图，即可打印渲染后的内参。

2、render interpolate

ns-render interpolate  --load-config train/colmap/nerfacto/2024-04-22_162813/config.yml  --output-path renders/out_trian_depth --output-format images   --colormap-options.colormap gray --rendered-output-names depth --depth-near-plane 0.5 --depth-far-plane 5.0

参数的内容和上面一样，这里不再赘述，这里不用加camera_path

3、render spiral

 这个可能不是很好，官方文档中是这么说的Render a spiral trajectory (often not great).

六、总结

琢磨这个有一段时间了，希望这些对你有帮助，如果你觉得写的不错，点个赞吧。

对很多了解的还不太深刻，如果有任何见解，欢迎评论讨论。谢谢大家。

官网文档写的很详细，大家可以去看一下。