【3DGS复现】Autodl服务器复现3DGS《简单快速》《一次成功》《新手练习复现必备》

文章目录

一、Autodl租云服务器

博主镜像环境如下

也可直接使用别人创建好的镜像,参考基于AutoDL平台的3D_Gaussian_Splatting初体验

(博主为了练一下复现的能力就自己复现了,下述步骤算是比较简单了,应该可以一次成功)

二、环境部署

  1. 初始化base环境
    conda init初始化base环境,执行完成后重新打开终端
  2. 克隆项目
  • cd autodl-tmp
  • git clone https://github.com/graphdeco-inria/gaussian-splatting.git --recursive
    建议这步先开代理(source /etc/network_turbo)再clone
  1. 安装mamba(兼容conda,但比conda快)
    conda install -n base -c conda-forge mamba
    如果出现ProxyError: Conda cannot proceed due to an error in your proxy configuration.错误,则表明是代理的问题,使用unset http_proxy && unset https_proxy这个命令关闭第2步中开启的代理,然后重新安装mamba
  2. 根据项目中环境yml文件创建虚拟环境
  • cd gaussian-splatting
  • mamba env create --file environment.yml -y
    这个过程可能出现Killed(由于博主上述前3步使用的是无卡模式(省钱),如果出现Killed说明无卡模式内存太小了,无法支撑环境创建,关机后重新开机(不使用无卡模式),然后cd autodl-tmp/gaussian-splatting,重新执行mamba env create --file environment.yml -y

出现下述信息是正常的,如果不放心可以pip list一下检查一下包是否都安装上了

bash 复制代码
Installing pip packages: submodules/diff-gaussian-rasterization, submodules/simple-knn, submodules/fused-ssim, opencv-python, joblib

WARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager. It is recommended to use a virtual environment instead: https://pip.pypa.io/warnings/venv

三、训练

参考基于AutoDL平台的3D_Gaussian_Splatting初体验

下载官方数据集https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/,进入后点击Scenes-650MB下载数据集,里面有两个文件夹dbtandt,其中tandt中有两个场景traintruck,使用这两个文件夹作为数据集即可。

我参考上述文章,将数据文件放在了data文件夹下,然后使用Xftp 8传到了服务器上(软件使用可参考基于AutoDL平台的3D_Gaussian_Splatting初体验,这里不赘述了)

使用下述命令训练-s后面为数据集输入路径、-m后面为结果输出路径,可以根据自己放置的位置灵活修改,下面以训练train为例:

bash 复制代码
python train.py -s data/train/ -m data/train/output

训练开始:

训练完成:

四、结果可视化查看

参考基于AutoDL平台的3D_Gaussian_Splatting初体验

下载官方提供的https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/binaries/viewers.zip可视化工具

  1. 将训练后的data/train/output路径的output文件夹传到本地电脑,我是放在了D:\3DGS\results_view\output这里,可以自由定义,然后将下载后的viewers解压到results_view下(注意这时候解压的时候可能是将viewers里面的文件都解压出来了,这时候需要在results_view下创建viewers文件夹,然后存放解压后的内容在viewers下,如果正常解压则不用管这步)最后,文件结构是下述这样即可(保证output文件夹和viewers文件夹在同一目录下)。

  2. 查看重建效果
  • D:\3DGS\results_view下打开终端

具体操作

  1. 如图点击路径位置
  2. 在1步骤中位置输入cmd
  3. 按回车键
  • 命令行输入.\viewers\bin\SIBR_gaussianViewer_app -m results_view/output(其中-m后面是指定的output的路径,可以根据自己存放的位置自由修改)【这步是参考基于AutoDL平台的3D_Gaussian_Splatting初体验这个文章的,但是博主遇到了错误,具体看下面】
  • 上一步可能遇到的错误
    如果报错,而且没有成功打开可视化软件(或者一闪而过)
bash 复制代码
D:\3DGS\results_view>.\viewers\bin\SIBR_gaussianViewer_app -m results_view/output
[SIBR] --  INFOS  --:   Initialization of GLFW
[SIBR] --  INFOS  --:   OpenGL Version: 4.6.0 NVIDIA 546.30[major: 4, minor: 6]

可能是没有用管理员身份运行,重新用管理员身份运行进入对应目录

如果要从C盘切换到D盘路径:使用D:然后cd到results_view文件夹下

如果报错找不到文件(先检查是否在对应文件夹下有对应文件,如果存不存在则重新生成,如果存在则将命令改为

bash 复制代码
.\viewers\bin\SIBR_gaussianViewer_app -m D:\3DGS\results_view\output

即最后一部分使用绝对路径),如下信息:

bash 复制代码
D:\3DGS\results_view>.\viewers\bin\SIBR_gaussianViewer_app -m results_view/output
[SIBR] --  INFOS  --:   Initialization of GLFW
[SIBR] --  INFOS  --:   OpenGL Version: 4.6.0 NVIDIA 546.30[major: 4, minor: 6]
[SIBR] ##  ERROR  ##:   FILE C:\Users\alanvin.AD\Repos\Github\3dgs\SIBR_viewers\src\projects\gaussianviewer\apps\gaussianViewer\main.cpp
                        LINE 140, FUNC main
                        Could not find config file 'cfg_args' at results_view/output
  1. 解决完上述步骤,应该可以看到重建结果,如下图所示。

可以使用wasdqe来进行位置移动,uiojkl来进行视角的移动。


五、自定义数据集处理和训练

需要安装colmap

  • 使用mamba install -c conda-forge colmap -y安装colmap
  • 使用colmap -h检查是否安装成功(若输出版本信息等则说明成功,如3.8版本,使用mamba安装的一般都是3.8colmap
  • 以图片数据集为例,参考三、训练章节及项目readme

将图片数据放在data文件夹下(我在data/test/input(注意,必须input下)下放置了我自定义的图片数据,没有处理数据前没有distorted文件夹,我是处理完的(即执行完下述命令后的结构))

  • 运行下述命令
bash 复制代码
python convert.py -s data/test

好像运行上述脚本后会新创建一个images文件夹存放图片

  • 然后就可以开始训练了,执行下述命令
bash 复制代码
python train.py -s data/test/ -m data/test/output
  • 成功开始训练

  • 训练结束

  • 可视化查看(和上述章节步骤类似,不赘述)

References

基于AutoDL平台的3D_Gaussian_Splatting初体验

相关推荐
CS Beginner2 小时前
【Linux】 Ubuntu 开发环境极速搭建
linux·运维·ubuntu
致宏Rex3 小时前
Docker 实战教程(7) | 镜像管理和仓库操作
运维·docker·容器
七芒星20233 小时前
多目标识别YOLO :YOLOV3 原理
图像处理·人工智能·yolo·计算机视觉·目标跟踪·分类·聚类
byzy3 小时前
【论文笔记】VisionPAD: A Vision-Centric Pre-training Paradigm for Autonomous Driving
论文阅读·深度学习·计算机视觉·自动驾驶
摩羯座-185690305943 小时前
爬坑 10 年!京东店铺全量商品接口实战开发:从分页优化、SKU 关联到数据完整性闭环
linux·网络·数据库·windows·爬虫·python
ACERT3333 小时前
5.吴恩达机器学习—神经网络的基本使用
人工智能·python·神经网络·机器学习
韩立学长4 小时前
【开题答辩实录分享】以《基于python的奶茶店分布数据分析与可视化》为例进行答辩实录分享
开发语言·python·数据分析
2401_831501734 小时前
Python学习之day03学习(文件和异常)
开发语言·python·学习
可触的未来,发芽的智生5 小时前
触摸未来2025.10.06:声之密语从生理构造到神经网络的声音智能革命
人工智能·python·神经网络·机器学习·架构