当前位置: 首页 > article >正文

windows10下3DGS环境配置

前言
3DGS(3D Gaussian Splatting)是由法国蔚蓝海岸大学的Kerbl, Bernhard等人在《3D Gaussian Splatting for Real-Time Radiance Field Rendering【SIGGRAPH 2023】》论文地址一文中提出了一种
极短训练时间呢就能达到最高视觉质量的方法,而且可以保证在高质量、实时、高分辨率的情况下新视角合成。
简单来说,首先,从摄像机校准过程中产生的稀疏点开始,用三维高斯来表示场景,既保留了用于场景优化的连续容积辐射场的理想特性,又避免了在空白空间进行不必要的计算;其次,对三维高斯进行交错优化/密度控制,特别是优化各向异性协方差,以实现对场景的精确呈现;最后,开发了一种快速可见性感知渲染算法,它支持各向异性拼接,既能加快训练速度,又能进行实时渲染。
在详细解析3DGS网络之前,首要任务是搭建3DGS【Pytorch-demo地址】所需的运行环境,并完成模型训练和测试工作,展开后续工作才有意义。


1. 3DGS模型运行

win10环境下装anaconda环境,方便搭建专用于3DGS模型的虚拟环境作为参考。

1.1安装CUDA(CUDA安装可以参考其他博客)

进行CUDA Toolkit Archive选择CUDA12.4.

博主测试的目前能够正常安装运行环境的版本为cuda12.4

打开你cmd终端窗口,输入nvcc -V 验证是否安装成功,下图显示CUDA安装成功了。
在这里插入图片描述

1.2安装 Visual Studio C++编译器

编译一部分c++代码作为调用的包需要要用到 MSVC,直接安装 Visual Studio 就行。
Visual Studio下载:下载完成后打开,勾选下图中所示“使用C++的桌面开发”。

在这里插入图片描述

2.下载源码并安装环境

安装GPU版本的pytorch教程,pytorch-gpu版本需要根据需求安装相应版本。

# 下载githup源代码到合适文件夹,并cd到代码文件夹内(科学上网)
git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive
# 中途下载中断
git submodule update --init --recursive
# 创建虚拟环境
conda create -n 3d_gaussian_splatting python=3.10.6
# 查看新环境是否安装成功
conda env list
# 激活环境
activate 3d_gaussian_splatting 
# 安装pytorch包
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 通过清华源,安装其他包(需要删除关于pytorch的部分)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plyfile tqdm
# 安装额外的自定义包,要用到 MSVC,直接安装Visual Studio就行
pip install submodules/diff-gaussian-rasterization
pip install submodules/simple-knn
# 查看所有安装的包
pip list
conda list

最终的安装的所有包。
在这里插入图片描述
检查torch版,已经安装torch-gpu版本

# 查看pytorch版本
import torch
print(torch.__version__)
# 查看cuda版本
print(torch.version.cuda)
# 查看cuda是否可用
print(torch.cuda.is_available())
# 查看可用cuda数量
print(torch.cuda.device_count())

在这里插入图片描述
git过程中可能存在的问题: fatal: clone of ‘https://github.com/g-truc/glm.git’ into submodule path ‘D:/deeplean_demo/gaussian-splatting/submodules/diff-gaussian-rasterization/third_party/glm’ failed.
在这里插入图片描述

这里说明一下,假设源码全是手动下载,包括四份代码:3d Gaussian Splatting源码,3d Gaussian Splatting 中的 Submodules/diff-gaussian-rasterization,Diff-gaussian-rasterization 中 third_party/glm,3d Gaussian Splatting 中的 Submodules/simple-knn,下载完需要在对应位置解压。这里只是以glm为例。

在这里插入图片描述
安装过程中的其他问题:

  1. ModuleNotFoundError: No module named ‘simple_knn‘

http://www.kler.cn/a/408016.html

相关文章:

  • 7、深入剖析PyTorch nn.Module源码
  • opencv undefined reference to `cv::noarray()‘ 。window系统配置opencv,找到opencv库,但连接不了
  • Thymeleaf模板引擎生成的html字符串转换成pdf
  • Go语言工程测试的基本规则和流程
  • 计算机网络:运输层 —— TCP 的超时重传机制
  • 【数据结构】归并排序 —— 递归及非递归解决归并排序
  • Rust 力扣 - 2466. 统计构造好字符串的方案数
  • Redis的理解
  • cangjie (仓颉) vscode环境搭建
  • 2024年亚太杯数学建模竞赛赛题选题人数发布
  • Qt之QWidget相关
  • 7、深入剖析PyTorch nn.Module源码
  • 【入门篇】欧几里德最差序列——多语言求解版
  • 后端:事务
  • RabbitMQ2:介绍、安装、快速入门、数据隔离
  • 八、无刷电机电压电流温度采集
  • CSS布局学习1
  • Oracle SQL优化②——访问路径
  • 使用 Elastic AI Assistant for Search 和 Azure OpenAI 实现从 0 到 60 的转变
  • 2-测试bigcache做进程内缓存 --开源项目obtain_data测试
  • Python爬虫:获取1688店铺详情的实战指南
  • JMeter监听器与压测监控之 InfluxDB
  • 在Excel中处理不规范的日期格式数据并判断格式是否正确
  • 【JAVA面试题】什么是Springboot的自动配置以及注意事项
  • 【深度学习之回归预测篇】基于卷积神经网络(CNN)的数据回归预测
  • 第二十一周机器学习笔记:动手深度学习之——数据操作、数据预处理