3D Gaussian Splatting Linux端摆设指南（含Linux可视化）
3D Gaussian Splatting Linux端摆设指南目次
项目地址
摆设记录
11. Linux端在线远程可视化训练进程
准备自己的数据
SIBR_remoteGaussian在线远程可视化
增补：sibr_3Dgaussian离线可视化训练好的模子
朋侪浩哥说环境是最难配的，配好环境，你就乐成了一半！
项目地址
[*] windows摆设版本：https://github.com/jonstephens85/gaussian-splatting-Windows
[*] windows和linux摆设版本：https://github.com/graphdeco-inria/gaussian-splatting
摆设记录
[*] 根据官方的环境配置environment.yml配置好环境，发现出了种种问题，先不管。
[*] 按教程准备好图片数据：【AI生成场景新突破】3D Gaussian Splatting入门指南_哔哩哔哩_bilibili+[视频文章]，由于我电脑没有gpu，linux服务器（rtx4090-24G）有，自己准备数据集需要用windows的colmap程序举行相机位姿计算，固然可以下载no cuda版本，但是比较慢，于是直接使用官方数据集，发起先试用小型单物体数据集，训练速度快，如官方的卡车图片，这里使用官方covert好的tuck数据集，然后举行训练：
python train.py -s data/truck/ 报错：没有子模块，原因其一，git clone添加了--recursive，但是由于网络原因没将子模块下载下来，原因二，实验时间2024年1月25官方源码缺少一个子模块，找不到了，在之前网友网盘备份那边复制一份。
3. 子模块有了，手动继承安装子模块：
pip install submodules/diff-gaussian-rasterizatio/
pip install submodules/simple_knn/ 又有报错：cuda和pytorch不匹配的问题，看来必须处置惩罚环境配置问题了。由于环境限制：linux服务器使用的是nvidia545显卡驱动，cuda12.3，备用cuda11.8，不能随便更改显卡驱动版本，对应的cuda版本应为11.8以上才能调用显卡。在使用官方环境配置environment.yml发现出现问题，在下载子模块时总是报错，由于安装子模块pip install使用的也是服务器系统环境的cuda库，更改bashrc环境变量选择服务器系统安装的cuda12.3和cuda11.8，都无法编译官方的pytorch1.12.1
https://img-blog.csdnimg.cn/direct/d7c8757739844f7cbc5b82174ab9241e.pnghttps://img-blog.csdnimg.cn/direct/cf6bd568f3bb4406aa5f7e7df39c8c3c.png
4. 于是不用官方的，根据pytorch官方文档，使用pip方式，而非conda方式下载包，自己手动下载符合系统cuda环境的pytorch：（下面任选其一）
#torch 2.1.2
pip install --pre torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
# CUDA 11.8
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118
# CUDA 12.1
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu121 5. 发现不管下载CUDA 11.8的pytorch还是CUDA 12.1版本的pytorch，都需要cuda12.1，于是下载cuda12.1，系统允许存在多个cuda版本，实际使用时按需选择，更改bashrc环境变量或者为实行的代码添加一个环境路径参数就行。下面是有效的一种安装cuda12.1的方式，注意的是，安装时不要勾选下载驱动，否则会将545的显卡驱动覆盖掉。
wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run
sudo sh cuda_12.1.1_530.30.02_linux.run 6. 更改bashrc环境变量，然后把cudnn的东西也复制到cuda12.1中，确保深度学习的部分也能用：https://img-blog.csdnimg.cn/direct/a1bc8284c9b449cdafa71df39329049a.png
export PATH="/usr/local/cuda-12.1/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH"
export LIBRARY_PATH="/usr/local/cuda-12.1/lib64:$LIBRARY_PATH"
export CUDNN_INCLUDE_PATH="/usr/local/cuda-12.1/include"
export CUDNN_LIBRARY="/usr/local/cuda-12.1/lib64 最终的环境配置如下environment_sera.yml，但未试验：
name: gaussian_splatting
channels:
- pytorch
- conda-forge
- defaults
dependencies:
- plyfile=0.8.1
- python=3.10.12
- pip=22.3.1
- pytorch=2.1.1
- torchaudio=2.1.1
- torchvision=0.16.1
- tqdm
- pip:
- submodules/diff-gaussian-rasterization
- submodules/simple-knn 7. bashrc里更改环境变量使用cuda12.1库,重新下载子模块pip install submodules/diff-gaussian-rasterization,提示没有glm：fatal error: glm/glm.hpp: No such file or directory
sudo apt-get install libglm-dev 8. 重新下载子模块submodules/diff-gaussian-rasterization，提示乐成下载子模块https://img-blog.csdnimg.cn/direct/d817d042e7d34bd486a211600b88745c.png
举行训练，发现又少了一个子模块submodules/simple_knn：https://img-blog.csdnimg.cn/direct/5033b00c0d7645fa8017346551caf5cb.png
9. 继承下载该子模块，下载乐成
pip install submodules/simpe_knn/ https://img-blog.csdnimg.cn/direct/a50cecc1814f4d75afd53b629479657d.png
10. 至此，环境问题就解决掉了，继承训练数据，15分钟训练乐成：
python train.py -s data/truck/ https://img-blog.csdnimg.cn/direct/ab5d55c83a9e4622baf228406dbd0b44.png
L1是L1损失，PSNR是图像峰值信噪比，单位是dB，数值越大表示失真越小。因为数值越大代表MSE越小。MSE越小代表两张图片越靠近，失真就越小。
好家伙，gpu利用坦白接100：https://img-blog.csdnimg.cn/direct/b768c0362da84f7699e06d16709f9989.png
由于训练未用-m参数指定用模子导出路径，生成的模子文件在训练的模子结构如下：https://img-blog.csdnimg.cn/direct/74f9180390964667889aff7d0acefca8.png
若用-m参数指定用模子导出路径，再举行训练，模子文件有如下结构：
python train.py -s data/truck/ -m data/output https://img-blog.csdnimg.cn/direct/daa1d0240e4642429375940d03b2b411.png
10分钟训练完了train，23分钟训练完了drjohnson
过后实验，使用cuda12.3也可以举行训练，说明训练跟使用哪个cuda版本没有关系，而下载子模块需要对应的cuda版本，因为pip下载子模块时，构建 PyTorch C++ 扩展的 Python setuptools 脚本需要使用CUDA来加快运算，系统环境中需要使用pytorch对应的cuda版本才能顺遂安装。
11. Linux端在线远程可视化训练进程
由于我的windows电脑没有gpu，不能用SIBR_gaussianViewer_app的windows版本，于是选择使用官方文档中的第二种方案：网络远程可视化，即linux自行构建SIBR_gaussianViewer_app，由于官方源码缺少SIBR_viewers的文件，再从网友网盘备份中拷贝一份举行构建：
Ubuntu的 22.04在运行项目安装程序之前，需要安装一些依靠项。
# Dependencies
sudo apt install -y libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev libavdevice-dev libavcodec-dev libeigen3-dev libxxf86vm-dev libembree-dev
#Project setup
cd SIBR_viewers
cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release # add -G Ninja to build faster
cmake --build build -j32 --target install #j32使用系统最大内核数32，可以按需要分配内核数执行 报错：https://img-blog.csdnimg.cn/direct/61c09fa20def49249eef6d7b59a5e929.png
找到：/home/wyc/sera_ws/gaussian-splatting/SIBR_viewers/extlibs/CudaRasterizer/subbuild/CMakeLists.txthttps://img-blog.csdnimg.cn/direct/9d4c25dbb44f46aba14e792ed67d7a5b.png
更改为本地路径
include(ExternalProject)
ExternalProject_Add(cudarasterizer-populate
URL "/home/wyc/sera_ws/gaussian-splatting/submodules/diff-gaussian-rasterization"
SOURCE_DIR "/home/wyc/sera_ws/gaussian-splatting/SIBR_viewers/extlibs/CudaRasterizer/CudaRasterizer"
BINARY_DIR "/home/wyc/sera_ws/gaussian-splatting/SIBR_viewers/extlibs/CudaRasterizer/build"
CONFIGURE_COMMAND ""
BUILD_COMMAND ""
INSTALL_COMMAND ""
TEST_COMMAND ""
USES_TERMINAL_DOWNLOAD YES
USES_TERMINAL_UPDATE YES
) 罪魁罪魁，下面的内容删掉/home/wyc/sera_ws/gaussian-splatting/SIBR_viewers/extlibs/CudaRasterizer/subbuild/cudarasterizer-populate-prefix/src/cudarasterizer-populate-stamp/cudarasterizer-populate-gitinfo.txthttps://img-blog.csdnimg.cn/direct/2dcdfb0cec8a407090a10356ab473458.png
再实行cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release，实行乐成！https://img-blog.csdnimg.cn/direct/da9b45a5e230424abbeab03793a04a84.png
实行cmake --build build -j32 --target install，乐成！https://img-blog.csdnimg.cn/direct/0a9f892bb4884c19921385790dfaf040.png
经过试验发现，远程可视化软件只能连接正在训练的模子文件，才可以运行远程可视化：
python train.py -s data/truck/ -m data/output #调用GPU进行训练
./SIBR_remoteGaussian_app -s /home/wyc/sera_ws/gaussian-splatting/data/output #对正在训练的模型文件进行可视化 https://img-blog.csdnimg.cn/direct/89f4d98024e542cfa99881519c2409ff.png https://img-blog.csdnimg.cn/direct/69bb93c6b8f94e00817a6ee9ac492525.pnghttps://img-blog.csdnimg.cn/direct/bcbaa1adce4c4d4cac94de4321834fb3.png
准备自己的数据
需要软件：COLMAP、FFMPEG
参考博客：
[*] 3D Gaussian Splatting复现-CSDN博客
[*] Linux 编译安装colmap_linux colmap-CSDN博客
1. FFMPEG安装：
// 删除所有安装的 ffmpeg
sudo apt-get remove ffmpeg
sudo apt-get purge ffmpeg
// 删除 Anaconda ffmpeg 模块
conda remove ffmpeg
重新安装
sudo apt-get install ffmpeg 2. COLMAP安装：
[*] 仓库：https://github.com/colmap/colmap
[*] 文档：https://colmap.github.io/install.html
安装依靠：
sudo apt-get install \
git \
cmake \
ninja-build \
build-essential \
libboost-program-options-dev \
libboost-filesystem-dev \
libboost-graph-dev \
libboost-system-dev \
libeigen3-dev \
libflann-dev \
libfreeimage-dev \
libmetis-dev \
libgoogle-glog-dev \
libgtest-dev \
libsqlite3-dev \
libglew-dev \
qtbase5-dev \
libqt5opengl5-dev \
libcgal-dev \
libceres-dev 配置和编译 COLMAP：
git clone https://github.com/colmap/colmap.git
cd colmap
mkdir build
cd build
cmake .. -GNinja #CMake预处理，生成Ninja构建系统所需的文件
ninja #默认使用系统最大可用cpu核心数进行编译，如果系统cpu有32个核，等效与ninja -j32
sudo ninja install ninja报错：https://img-blog.csdnimg.cn/direct/3c389fa2c6c94c858f62ae5cbe7f2c8d.png
解决记录：
写个cuda程序，查询自己gpu架构版本
#include <iostream>
#include <cuda_runtime.h>
int main() {
cudaDeviceProp prop;
cudaGetDeviceProperties(&prop, 0); // Assumes one GPU device
std::cout << "GPU Architecture: " << prop.major << "." << prop.minor << std::endl;
return 0;
} 编译并运行
nvcc query_gpu_arch.cu -o query_gpu_arch
./query_gpu_arch https://img-blog.csdnimg.cn/direct/e4b15db7a7f54beaa709df273ad9271b.png
在CMakeList文件中添加一句设置gpu架构版本也没用https://img-blog.csdnimg.cn/direct/461f030820dd4f2aaf271844b6e512f5.png
set(CMAKE_CUDA_ARCHITECTURES 8.9) 推测分支3.10-dev太新不太支持自己的cuda，git checkout 3.9切换分支到3.9https://img-blog.csdnimg.cn/direct/bc541508ef674fb886eb0b9cc1233332.png
继承cmake .. -GNinja，报错：https://img-blog.csdnimg.cn/direct/588871b68e084d849c5463c77d56734d.png
添加set(CMAKE_CUDA_ARCHITECTURES 8.9) 后继承cmake .. -GNinja，https://img-blog.csdnimg.cn/direct/4f81d8b5bee2468cb48b03fec9182ece.png
ninja编译失败，跟3.10-dev一样的报错，转而猜想gpu架构设置的格式不对，结合报错中出现的提示，将8.9改成70，80，89，90 后，cmake .. -GNinja 然后ninja都编译乐成，反推之前3.10-dev也是这个原因，经过测试，正是gpu架构设置的格式的问题，不能带小数点。官方文档也给出了提示哈哈没看到:https://img-blog.csdnimg.cn/direct/10234549fde945609e5cd0b349a7cd62.png
https://img-blog.csdnimg.cn/direct/90719594546249b8a1bf6b985ff02a87.png
然后sudo ninja install安装colmap乐成！
运行 COLMAP：
colmap -h
colmap gui https://img-blog.csdnimg.cn/direct/4a7183794fdb444b8381ee512d6b731a.png
打开官方数据看看点云和计算的相机位姿，File->Import model->data->truck->spase->0https://img-blog.csdnimg.cn/direct/7eee42e0982c4dab9510805a93ee4974.pnghttps://img-blog.csdnimg.cn/direct/41dc3ac7c181450da37e60b927ba2647.png
使用ffmpeg和colmap从视频准备数据：
参考视频：3D Gaussian Splatting本地摆设【windows系统免环境配置】_哔哩哔哩_bilibili + [网盘code]
准备自己的视频，放在data文件夹下,
写一个脚本/home/wyc/sera_ws/gaussian-splatting/train_video.py:
import os
import subprocess
# 视频绝对路径
video_path = r"/home/wyc/sera_ws/gaussian-splatting/data/mouse.mp4"
# 切分帧数，每秒多少帧
fps = 2
# 获取视频文件名（不包含扩展名）
video_name = os.path.splitext(os.path.basename(video_path))
# 获取视频文件所在目录
folder_path = os.path.dirname(video_path)
# 数据保存路径
data_path = os.path.join(folder_path, video_name)
os.makedirs(data_path, exist_ok=True)
# 图片保存路径
images_path = os.path.join(data_path, 'input')
os.makedirs(images_path, exist_ok=True)
# 模型保存路径
model_path = os.path.join(data_path, 'output')
os.makedirs(model_path, exist_ok=True)
# 脚本运行
# 视频切分脚本
command = f'ffmpeg -i {video_path} -qscale:v 1 -qmin 1 -vf fps={fps} {images_path}/%05d.jpg'
subprocess.run(command, shell=True)
# COLMAP估算相机位姿
command = f'python convert.py -s {data_path}'
subprocess.run(command, shell=True)
# 模型训练脚本，模型会保存在output路径下
command = f'python train.py -s {data_path} -m {model_path}'
subprocess.run(command, shell=True)
SIBR_remoteGaussian在线远程可视化
实行脚本，会得到如下目次结构，并实行可视化：
python train_video.py
./SIBR_remoteGaussian_app -s /home/wyc/sera_ws/gaussian-splatting/data/mouse/output https://img-blog.csdnimg.cn/direct/ce3fc1557b484145b4a2e336bf392dc5.png
https://img-blog.csdnimg.cn/direct/d6e8e4a9e2f54692817046a3ddd056a1.png https://img-blog.csdnimg.cn/direct/23b6efef27f44c8780d5e86070fbac3d.png
训练完毕，打开colmap gui选择Import model from查看7000步点云和30000步点云：
https://img-blog.csdnimg.cn/direct/68244a5fc20d40caae72e17e4075ad86.png
https://img-blog.csdnimg.cn/direct/b15443f6e0a5442f92559432be1ed89a.png
https://img-blog.csdnimg.cn/direct/e2c8180a9af040ddb692e9d08b8b771b.png
增补：sibr_3Dgaussian离线可视化训练好的模子
后面发现SIBR_gaussianViewer这个离线可视化程序也是可以运行的，跟SIBR_gaussianViewer windows版本是一样的，我之前以为只能使用sibr_remoteGaussian在线远程可视化程序呢。
https://img-blog.csdnimg.cn/direct/6d3224a7224540068ca22b38f74c43ad.png
实行，-m参数带的是训练好的模子：
./SIBR_gaussianViewer_app -m /home/wyc/sera_ws/gaussian-splatting/data/mouse/output https://img-blog.csdnimg.cn/direct/88d1da6be77c49d986510ae4dd893b97.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]