Win10配置instant-ngp算法环境说明

已于 2022-08-18 10:22:36 修改
阅读量3.3k 收藏 35
点赞数 7
分类专栏： 三维重建 文章标签： c++ visual studio 开发语言
于 2022-08-11 10:41:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zaf0516/article/details/126144492
版权

目录

一、基础环境安装

1.系统版本升级

2.conda环境安装

3.cuda安装

4.cmake安装

5.OptiX安装

6.vulkan安装

二、源码编译

1.下载代码

2.源码编译

1）算法环境配置

2）使用cmake进行源码编译

3）使用终端命令窗口进行编译

4）编译过程中出现问题解决

三、算法测试

1.在终端命令输入

2.结果显示

四、参考网址

一、基础环境安装

1.系统版本升级

win+R打开运行窗口，输入：dxdiag，点击确定

显示结果 系统内部版本如果是19041，如下所示：

则需要进行升级，升级到19044。

易升工具地址：https://www.microsoft.com/zh-cn/software-download/windows10，进行升级，正确结果如下：

2.conda环境安装

按照官网安装conda或者minicoda

conda：Anaconda | Anaconda Distribution

miniconda：Miniconda — conda documentation

3.cuda安装

按照官网说明进行安装，亲测cuda11.7都可以运行成功，cuda11.3会有报错

CUDA Toolkit Archive | NVIDIA Developer

4.cmake安装

按照官网说明进Windows版本安装

Download | CMake

5.OptiX安装

按照官网进行下载安装

NVIDIA OptiX™ Downloads | NVIDIA Developer

6.vulkan安装

按照官网进行下载安装

LunarXchange

二、源码编译

1.下载代码

推荐使用：git clone --recursive GitHub - NVlabs/instant-ngp: Instant neural graphics primitives: lightning fast NeRF and more

在进行源码下载过程中，如下图示红色矩形框部分，由于网速下载不全，会导致下载失败，需要手动对应的下载，然后放到源码对应的位置，切记依赖项版本号必须与源码保持一致

在下载好instant-ngp文件夹中比对查看依赖项是否完全下载完整，重要事情说三遍：一定要确保文件下载完整！！！

不然会出现这样的错误：

以为是交叉环境问题，然后各种百度，最后在网上找的答案统统都不对，让自己欲哭无泪，因此必须保证自己的源代码文件内容完整和版本一致。

2.源码编译

1）算法环境配置

cmake.txt 修改

由于本机显卡nvidia rtx3090算力值为86 需要在CMakeLists.txt 中增加set(CMAKE_CUDA_ARCHITECTURES 86)

CUDA 11.7.props修改

C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\MSBuild\Microsoft\VC\v160\BuildCustomizations\CUDA 11.7.props

在$(CudaToolkitCustomDir)处添加本机cuda安装路径，如本机为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7

其他版本CUDA方法类似

2）使用cmake进行源码编译

按照如下所示进行操作：

红色警告不需要注意，点击Generate没有报错后，再点击Open Project

按如下所示进行操作：

3）使用终端命令窗口进行编译

cmake . -B build

cmake --build build --config RelWithDebInfo -j64

4）编译过程中出现问题解决

由于vs2019原因会出现相应库缺失，一定要保证库版本一致，不然会出现”0xc000007b“错误

  • 缺少VCRUNTIME14D.dll库

安装vs2015运行时库https://www.microsoft.com/en-gb/download/details.aspx?id=48145

  • 缺少ucrtbased.dll库

按照ucrtbased.dll 免费下载 | DLL‑files.com进行操作

  • CudaToolkitDir找不到

按照上面步骤配置CUDA X.X.props

  • visual studio 2019编译错误

查看是不是在Release模式下进行编译

  • 缺少pyngp安装包

新建setup.py

# python setup.py bdist_wheel

importsetuptools

setuptools.setup(

name='pyngp',

version='1.0',

description='this is a program for EE',

author='',

author_email='',

packages=setuptools.find_packages(),

include_package_data=True,

)

运行python setup.py bdist_wheel

 

三、算法测试

1.在终端命令输入

.\build\testbed --scene data\nerf\fox

2.结果显示

四、参考网址

  1. https://www.bilibili.com/read/cv17508935
神经辐射场：构建和应用Instant-ngp环境的智能硬件
RyoxDev的博客
09-21 278
NeRF的训练需要一个包含场景的图像和相应的深度图的数据集。如果你使用的是NVIDIA GPU，则可以安装CUDA和cuDNN以获得更好的性能。你可以从NVIDIA的官方网站下载并安装适用于你的GPU型号的CUDA和cuDNN版本。通过搭建这个智能硬件平台，你可以使用NeRF生成逼真的三维场景，并在各种应用领域中进行实验和研究。使用训练好的NeRF模型，你可以生成新视角下的逼真图像。通过执行上述命令，NeRF将使用训练好的模型和提供的视角姿态生成新的逼真图像。替换为你训练好的NeRF模型的路径，
Instant-NGP复现详解
程序猿追的博客
09-23 2436
但是，如果你是ios用户，那幸运的是，你可以从苹果app store下载一个叫NeRF Capture的app（不清楚安卓是否有类似的app），它可以将图像及坐标（大概用到了ARKit）传输给Instant-NGP，并通过Instant-NGP提供的脚本快速制作NeRF数据集。sdf（signed distance field）即符号距离场，通过记录每个点到模型边界的距离，在模型内侧的点数值为负，外侧的点数值为正，在边界上的点数值为0，所有距离为0的点构成了模型的表面，从而可以表示出一个2D或3D模型。
英伟达NeRF项目Instant-ngp在Windows下的部署，以及数据集的制作（适合小白的保姆级教学）
weixin_50756716的博客
09-01 6629
Instant-ngp的依赖项目较多，配置环境过程较为繁琐，笔者在部署过程中遇到诸多阻碍，故此篇博客是针对初入NeRF小白的保姆级配置教程,同时详细阐述了如何制作NeRF的数据集，以及如何对数据进行筛选。
Instant-NGP | SIGGRAPH 2022 | Paper Reading
最新发布
ZHaoLi的博客
03-28 750
Instant Neural Graphics Primitives with a Multiresolution Hash Encoding.
【环境搭建】instant-ngp的环境搭建和demo
热门推荐
YuhsiHu的博客
05-20 1万+
环境搭建和使用，demo，附修改代码
【Instant-NGP】将图像、3D模型、场景迅速参数化为神经网络MLP（Instant-NGP论文复现）
Ryan2k的博客
04-28 6249
英伟达实验室在Instant-NGP论文中提出了一种多分辨率哈希编码方法，用于改善神经网络输入以提高近似质量和训练速度，并将其融合CUDA内核实现了对图像、sdf模型、NeRF模型等场景的三维重建。 本文简单介绍了Instant-NGP的基本原理，并对官方源码进行了复现。
instant-ngp
Meteor的笔记
07-20 6334
instant-ngp
NeRF、Mip-NeRF、Instant-NGP、NeRF++
12-16
NeRF、Mip-NeRF、Instant-NGP、NeRF++ 是一系列与三维渲染、体渲染相关的技术，它们利用深度学习和计算机图形学的方法来创建和优化三维场景的渲染。 首先，NeRF（Neural Radiance Fields）是一种创新的三维表示方法...
实验笔记之——基于windows复现Instant-NGP
gwpscut的博客
01-02 3365
之前博客对NeRF-SLAM进行了调研，本博文先复现一下Intant-NGP。学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）-CSDN博客NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。
实验笔记之——基于Linux服务器复现Instant-NGP及常用的tmux指令
gwpscut的博客
01-03 2932
学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）-CSDN博客NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。配置好后，通过./instant-ngp或者scripts/run.py就可以运行了。这个编译好像比较耗费时间~
[NeRF] Instant-ngp
weixin_49003609的博客
04-23 740
instant-ngp
【无标题】Instant NGP（使用哈希编码的多分辨率的即时神经图形原语）
pjm616的博客
06-20 1917
哈希
Instant-NGP 自定义NeRF数据集制作及生成三维模型流程
yyds93的博客
08-26 1466
Instant-NGP 三维重建
实验复现—Instant-NGP
qq_58767065的博客
12-17 1507
键盘操作： W S A D 在场景中前后左右移动， space （空格）和c 分别实现上升和下降鼠标操作：左键拖拽旋转视角，中键拖拽平移视图，滚轮缩放视图。
使用instant NGP训练自己的模型
UCAStudent的博客
09-19 515
colmap instant NGP
NeRF从入门到放弃2:InstantNGP
https://github.com/heatMa
06-22 566
原始的NeRF每条光线上的点都要经过MLP的查询，才能得到其密度和颜色值，要查询的点非常多，而MLP的推理是比较耗时的。InstantNGP将空间划分成多个层级的体素（voxels），并且在每个体素内部使用神经网络来预测feature。而Plenoxels则干脆就不使用神经网络了，它直接在体素中存储场景的辐射亮度和密度信息。通过使用球谐函数（Spherical Harmonics）来近似每个体素内的光照分布，Plenoxels能够有效地压缩存储需求，同时保持高质量的渲染效果。
Instant-NGP稿子
pjm616的博客
06-20 709
稿子自用
instant-ngp总结
Meteor的笔记
07-22 7257
研究人员尝试对如何采样这部分进行设计和优化，Nerf最开始的采样方案是分层采样的策略，后来的NSVF提出的，基于体素的多分辨率采样+自剪枝的策略，也多速度的问题做了一定程度的优化，但是这个优化是针对特殊task的，所以不具备通用性。在这里我们的解决方案就是利用离散积分的方式，对射线上的点进行均匀采样，利用采样点的离散的积分和，来模拟上面的过程。那在实际的train或者渲染过程，也是上面刚才说到的，利用离散积分的方式，对空间中的点进行采样，然后渲染出对应视角的颜色值，将其与GT做比较，利用误差去优化网络。..
【论文笔记】Instant NGP == Nvidia == SIGGRAPH 2022 Best Paper
Nismilesucc的学习札记
08-07 956
原始的NeRF训练和评估的代价很高，本文提出了一种新的编码方式来降低这一成本。这种编码方式在不牺牲质量的情况下允许使用较小的网络，从而大大减少浮点和内存访问操作的次数：一个小型神经网络被可训练特征向量的多分辨率哈希表所增强，其值通过随机梯度下降(SGD)进行优化。多分辨率结构使得网络能够区分哈希碰撞，网络能够从这些碰撞中学习到应该选择使用的特征。且这种简单架构在现代GPUs上很容易实现并行化。本文通过使用完全融合的CUDA内核实现整个系统来利用这种并行性，重点是尽量减少浪费的带宽和计算操作。........
Instant-NGP与nerf
03-23
### Instant-NGP 和 NeRF 的对比与关系 #### 背景介绍 Neural Radiance Fields (NeRF) 是一种基于神经网络的方法，用于从多视角图像合成高质量的三维场景渲染效果[^1]。它通过优化一个连续的体积密度场和辐射场来实现逼真的视图合成。然而，NeRF 存在一些局限性，例如训练时间较长、内存消耗大以及对高频细节处理不够理想等问题。 Instant Neural Graphics Primitives (Instant-NGP) 则是一种改进版方法，旨在解决上述问题并提升效率。Instant-NGP 使用了一种混合表示法——结合了哈希编码（hash encoding）和多层感知机（MLP），从而显著提高了模型的学习速度和推理性能[^4]。 --- #### 主要差异分析 ##### 1. **计算效率** Instant-NGP 显著提升了训练和推断的速度。相比于传统的 NeRF 方法可能需要数小时甚至更长时间才能完成单个场景的训练，Instant-NGP 可以在几秒钟到几分钟内达到相似的效果。这是由于其采用了高效的哈希表结构来进行空间划分，并减少了冗余参数的数量[^4]。 ##### 2. **存储需求** NeRF 需要较大的存储容量来保存复杂的隐式函数权重矩阵；而 Instant-NGP 借助稀疏网格技术降低了整体所需的显存占用率，在实际应用中更加友好[^5]。 ##### 3. **泛化能力** 尽管两者都能很好地重建已知数据集中的物体外观特性，但在面对未知环境或者更大规模的数据集合时，Instant-NGP 展现出更强的适应性和鲁棒性。这是因为它的设计允许快速调整配置以匹配不同的输入条件[^6]。 ##### 4. **频率响应行为** 正如提到过的那样，标准版本的 NeRF 对于距离较远却携带高频率变化的信息难以有效捕捉，容易造成所谓的“信号走样”。相比之下，Instant-NGP 更加注重平衡全局一致性和局部精细度之间的关系，因此能够更好地应对这种情况下的挑战[^7]。 --- #### 关系探讨 虽然二者都属于神经辐射领域范畴内的研究方向之一，但从本质上讲，Instant-NGP 应该被看作是对经典 NeRF 架构的一次重要升级迭代而非完全替代品。具体来说： - 它们共享相同的目标：即利用深度学习手段构建精确且视觉上令人满意的虚拟世界表现形式； - 同时也继承了一些共同的技术理念比如依赖 MLP 来预测颜色强度分布规律等等； - 不过为了克服原始方案存在的缺陷，后者引入了许多创新机制使得整个流程变得更加高效便捷同时也具备更高的灵活性去满足多样化的需求场景。 ```python import torch from instant_ngp import NGPModel # Example usage of Instant-NGP model initialization and training loop. model = NGPModel() for epoch in range(num_epochs): predictions, loss = model.train_step(input_data) optimizer.zero_grad() loss.backward() optimizer.step() ``` --- #### 总结 综上所述，Instant-NGP 提供了一个更快捷、资源利用率更高并且适用范围更为广泛的解决方案相对于传统意义上的 NeRF 技术而言。不过需要注意的是，任何新技术都有其特定的应用边界，在选用之前还需充分考虑项目实际情况做出合理判断。
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值