win11配置3D GS_cpu版本3dgs-CSDN博客

$conda create -n gausplat python=3.8
$conda activate gausplat
$conda install -c conda-forge vs2019_win-64
$pip install torch==2.0.0+cu118 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

5.2 将三个子模块下载到对应路径下

如果第4步的git clone没下载三个子模块的代码，就直接手动下载github submodules中给出的代码zip到对应路径下解压并重命名；

注意gs_rasterization要用最新的9c5c202版本的否则报错I keep getting the following error when i train · Issue #1032 · graphdeco-inria/gaussian-splatting；并且需要再点击thirdparty/glm下载glm.zip至对应路径。

然后：
pip install submodules/diff-gaussian-rasterization

pip install submodules/simple-knn

pip install submodules/fused-ssim

5.3 安装其他依赖包

pip install plyfile
pip install tqdm
pip install opencv-python
pip install joblib

6. 运行

视频转图像序列需要ffmpeg;

图像序列转稀疏点云，需要安装colmap。这两个包的安装参考Windows下3D Gaussian Splatting从0开始安装配置环境及训练教程_3d gaussian splatting安装教程-CSDN博客

6.1 提供的数据集

(1) MipNeRF360 scenes 原mipnerf360论文作者提供的地址mip-NeRF 360。

3DGS对其中的tanks&tamples 和 deep blending序列经colmap加工后的可直接作为训练输入的数据（651MB）地址https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/input/tandt_db.zip

（2）3D GS已经训练好的模型13.7GB，可以在SIBR_VIEWER中可视化。

https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/pretrained/models.zip

（3）渲染好的图像，可以直接用来指标评估和对比。

https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/evaluation/images.zip

6.2 训练

$python train.py -s <path to COLMAP or NeRF Synthetic dataset>

python train.py -s datasets\tandt_db\db\drjohnson

一些比较有用的后缀：

会自动调整任意分辨率的输入图像至宽度<=1600像素。如果想用自己的更高分辨率的图像，后缀指令-r 1。

用后缀-m your_save_path来设置训练好的模型的存储地址；如果不写，会默认在./output文件夹下自动随机生成一个唯一的文件名来存储。

--data_device默认是cuda，即将输入图像放在GPU端，如果计算资源够丰富是可行的；否则建议写cpu，这样能减少vram消耗。

--sh_degree默认是3，不要超过3，表示球谐函数的自由度。

--debug & --debug_from，如果光栅化有问题，可以开启debug模式，生成dump文件。debug比较慢，定义debug_from which iteration可以在这个训练迭代后开启debug。

--iterations迭代次数，默认30000.

6.3 评估

python train.py -s <path to COLMAP or NeRF Synthetic dataset> --eval # Train with train/test split
python render.py -m <path to trained model> # Generate renderings
python metrics.py -m <path to trained model> # Compute error metrics on renderings

如果想可视化或评估3DGS训练好的模型，还要用后缀-s指明对应的原图像地址：

python render.py -m <path to pre-trained model> -s <path to COLMAP dataset>
python metrics.py -m <path to pre-trained model>

针对3个序列的训练&评估，或用训练好的模型进行render后评估，或用渲染好的图像进行评估：

python full_eval.py -m360 <mipnerf360 folder> -tat <tanks and temples folder> -db <deep blending folder>

python full_eval.py -o <directory with pretrained models> --skip_training -m360 <mipnerf360 folder> -tat <tanks and temples folder> -db <deep blending folder>

python full_eval.py -m <directory with evaluation images>/garden ... --skip_training --skip_rendering

7 SIBR_Viewer

我先尝试直接下载提供的编译好的二值文件，https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/binaries/viewers.zip

但是在cmd cd 至gs路径下，运行指令：.\SIBR_viewers\bin\SIBR_gaussianViewer_app -m .\datasets\models\bicycle（datasets是我自定义的文件夹，以gs提供的训练好的场景models/bicycle为例，包括point_cloud, camera.jason, cfg_args）

会报错找不到cudart64_12.dll，因为我安装的是cuda11.8，但这个链接库版本要求是cuda12，所以找不到。按RuntimeError: Library cublas64_12.dll is not found or cannot be loaded-CSDN博客

后运行指令，会报错找不到gaussianxxx.dll的链接入口。

所以还是从源码编译。

7.1 首先安装cmake、7zip、doxgen

Windows下Cmake安装与卸载步骤_cmake卸载-CSDN博客

(版本是gs github要求的3.24。如果装完cmake，在cmd中输入cmake输出不是能识别的指令，就卸载重装，应该就行了。)

Windows 11 如何使用 7-Zip 双击解压文件 - 知乎

Windows环境下代码文档生成工具Doxygen使用详细教程-CSDN博客

7.2 cmake编译源码

在sibr_viewer中看是否下载了对应的源码。没有就手动下载。

然后按github教程，cmd 中运行

cd SIBR_viewers
cmake -Bbuild .
cmake --build build --target install --config RelWithDebInfo

会把编译好的可执行文件放在install/bin下，然后再运行指令：

.\SIBR_viewers\install\bin\SIBR_gaussianViewer_app_rwdi -m .\datasets\models\bicycle

WSADEQ分别对应相机的平移：前后左右上下。

IKJLUO分别对应相机的旋转。

也可以在current point view浮动窗口中设置控制方式为trackball。

可见在我电脑上渲染帧率约60-70 fps（电脑滚烫）。用配置更高的gpu应该能达到论文中的100+fps。

在固定指令条views中，选topview会出现采集的相机位姿和点云。可见如果要制作数据集还是要围绕物体做近似半球采集。