nerfstudio以及相关使用记录（长期更新）

        NeRFStudio 是NeRF/3DGS研究和开发的集成平台。 提供了一个用户友好的界面和一系列工具，帮助研究人员和开发者更高效地构建、训练和评估 NeRF 模型。以前使用的时候用完就丢一边了，没有注意记录，现在有一个工程调用了nerfstudio，部署之余顺便专门写一篇来做完整的记录，也使他变得清晰。

官方主页：nerfstudio

GitHub主页：GitHub - nerfstudio-project/nerfstudio: A collaboration friendly studio for NeRFs

1.Ubuntu22下的部署以及报错

 NeRFStudio部署是很令人头疼的事情，问题比较琐碎，必须使用NVIDIA显卡以及cuda。

1.1conda创建虚拟环境

python版本大于等于3.8，我这里使用了3.11

conda create --name nerfstudio -y python=3.11
conda activate nerfstudio
pip install --upgrade pip

1.2依赖：tiny-cuda-nn

NeRFStudio依赖tiny-cuda-nn依赖cuda，cuda的安装这里不再赘述，tiny-cuda-nn的主页在这里：GitHub - NVlabs/tiny-cuda-nn: Lightning fast C++/CUDA neural network frameworkLightning fast C++/CUDA neural network framework. Contribute to NVlabs/tiny-cuda-nn development by creating an account on GitHub.https://github.com/NVlabs/tiny-cuda-nn

1.cuda11.8

对于cuda11.8的版本，官网主页以及给出了示范：

pip install torch==2.1.2+cu118 torchvision==0.16.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

conda install -c "nvidia/label/cuda-11.8.0" cuda-toolkit
pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

2.cuda12.*

我的cuda版本当前是12.5，对于cuda12应该都是兼容的，所以直接进入tiny-cuda-nn的主页安装。这里作者列出来了必须要有的工具：

然后对于cuda要把路径添加进终端或者.bashrc中，我选择了添加到终端，不动系统的设置，即在终端中输入：

export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"
#PATH 是一个环境变量，用于指定系统在哪些目录中查找可执行文件。将 CUDA 的可执行文件目录（通常是 /usr/local/cuda/bin）添加到 PATH 变量中。$PATH 表示现有的 PATH 值，这样新的路径会追加到现有路径的前面，确保系统首先查找 CUDA 的工具。
#LD_LIBRARY_PATH 是一个环境变量，用于指定系统在哪些目录中查找共享库（动态链接库）。这行命令将 CUDA 的库文件目录（通常是 /usr/local/cuda/lib64）添加到 LD_LIBRARY_PATH 变量中。$LD_LIBRARY_PATH  表示现有的 LD_LIBRARY_PATH 值，这样新的路径会追加到现有路径的前面，确保系统首先查找 CUDA 的库。

我的cuda是一个软链接，link到了cuda-12.5，这里路径只要输入一个电脑里有的cuda12路径就行。

然后clone并且安装：

$ git clone --recursive https://github.com/nvlabs/tiny-cuda-nn
$ cd tiny-cuda-nn

接着cmake编译就完了：

/tiny-cuda-nn$ cmake . -B build -DCMAKE_BUILD_TYPE=RelWithDebInfo
/tiny-cuda-nn$ cmake --build build --config RelWithDebInfo -j

另外，还有一个PyTorch extension，就是cudnn那一块，可装可不装，按实际来，我安装了

pip install git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

到这里，tinycuda就安装编译好了。下面的过程中遇到的坑：里面有的是部署其他工程时，需要安装nerfstudio，在过程中遇到的问题，也是一样的。

报错1：执行git clone --recursive https://github.com/nvlabs/tiny-cuda-nn的时候

OSError: Unknown compute capability. Specify the target compute capabilities in the TCNN_CUDA_ARCHITECTURES environment variable or install PyTorch with the CUDA backend to detect it automatically.

这个错误是由于tiny-cuda-nn在安装时无法自动检测到CUDA架构（compute capability）导致的。tiny-cuda-nn需要知道GPU的CUDA架构才能正确编译。需要手动设置TCNN_CUDA_ARCHITECTURES环境变量，指定GPU的CUDA架构。

首先，查找你的GPU的CUDA架构版本：

nvidia-smi --query-gpu=compute_cap --format=csv

然后，根据查到的CUDA架构版本，在安装前设置环境变量。例如，如果你的GPU是NVIDIA RTX 3090，其CUDA架构是8.6，那么在当前终端里设置该变量：

export TCNN_CUDA_ARCHITECTURES=86

如果你不确定你的GPU的CUDA架构，或者想支持多种架构，可以设置多个值，用分号分隔。例如：export TCNN_CUDA_ARCHITECTURES="75;80;86"

报错2：执行git clone --recursive https://github.com/nvlabs/tiny-cuda-nn的时候

OSError: CUDA_HOME environment variable is not set. Please set it to your CUDA install root.

这个问题就是一开始的cuda路径没有成功添加进去，重新添加一下，像前面一样。添加好可以验证一下：echo $PATH以及echo $LD_LIBRARY_PATH

如果你确定确实添加进去了，但是，还是报这个错误，那就要检查你的pytorch版本是不是cpu的，如果是，赶紧卸了重新装吧！我这里就是犯了这样的错误，来来回回检查不知道哪里错了，因为使用了conda安装的pytorch，他先是给我装了cuda-toolkit=12.2（我本来系统就带了两个cuda版本11和12都有），然后又装了cpu版本的pytorch，真的服了。。。还是少用conda安装这两样相关的东西，里面的兼容逻辑非常神奇，不是大神不建议碰。

python

>>>import torch
>>>torch.cuda.is_available()
#如果是cpu版本，会输出False

如果不知道你的cuda路径，可以找一下：

which nvcc
whereis nvcc

报错3：执行cmake . -B build -DCMAKE_BUILD_TYPE=RelWithDebInfo

/home/lee/miniconda3/envs/relight_nerfstudio/bin/x86_64-conda-linux-gnu-c++:

  No such file or directory

这是编译的过程中找不到g++，在conda环境中安装一个即可

报错4：执行pip install git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

    /home/lee/miniconda3/envs/relight_nerfstudio/compiler_compat/ld: cannot find -lcuda: No such file or directory

      collect2: error: ld returned 1 exit status

   error: command '/home/lee/miniconda3/envs/relight_nerfstudio/bin/x86_64-conda-linux-gnu-c++' failed with exit code 1

        这个报错是编译过程中的，很长，大概有700行，ld 负责将目标文件和库文件链接在一起，生成最终的可执行文件或共享库。-lcuda 是链接器的一个选项，表示需要链接 libcuda.so 库。链接器会在默认的库路径（如 /usr/lib、/usr/local/lib 等）中查找这个库。所以这个报错是在编译过程中，链接器（ld）在尝试链接 libcuda 库时失败了，无法找到 libcuda.so 文件。

在一开始指定LD_LIBRARY_PATH的路径下，我的在这里也就是：/usr/local/cuda/lib64，在这里面寻找libcuda.so，没有找到，所以报错，但是我在安装目录中寻找了libcuda.so，发现它在又一级目录下面：/usr/local/cuda/lib64/stubs/libcuda.so。。。

所以我直接简单粗暴创建软链接放在/usr/local/cuda/lib64下：

sudo ln -s /usr/local/cuda/lib64/stubs/libcuda.so /usr/local/cuda/lib64/libcuda.so

最后重新执行，成功编译！

1.3安装 nerfstudio

推荐安装编译最新的

git clone https://github.com/nerfstudio-project/nerfstudio.git
cd nerfstudio
pip install --upgrade pip setuptools
pip install -e .

到这里nerfstudio安装完毕，这一步安装还是很顺利的，80%的问题基本都在编译tinycuda的过程中。

2.nerfstudio中的SfM

3.3DGS相关的重建