1. 环境准备从零搭建3DGS开发环境第一次接触3D Gaussian Splatting简称3DGS时我完全被各种依赖关系和版本冲突搞懵了。记得当时照着某篇教程操作结果卡在环境配置这一步整整两天。后来才发现问题出在几个关键环节的版本匹配上。下面我就把踩过的坑和解决方案详细分享给大家。首先明确基础环境要求Windows系统建议Win10及以上、NVIDIA显卡建议RTX 20系以上、至少16GB显存。我的测试环境是RTX 4070Ti 16GB显卡实际训练时显存占用会达到12GB左右。如果你的显卡显存不足后面我会教你怎么调整参数降低显存消耗。必备软件清单Git for Windows建议2.40版本Anaconda3Python 3.7-3.9CUDA Toolkit 11.6/11.7Visual Studio 2019主要需要C编译工具链安装CUDA时有个细节特别容易出错系统环境变量设置。很多教程都忽略了这点导致后续出现各种CUDA_HOME not found错误。正确的做法是在安装完CUDA Toolkit后手动检查系统环境变量是否包含以下路径以CUDA 11.7为例C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\libnvvp C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\CUPTI\lib642. 代码克隆与子模块处理克隆仓库这一步看似简单实则暗藏玄机。直接运行git clone https://github.com/graphdeco-inria/gaussian-splatting.git会导致子模块为空这就是我遇到的第一个坑。正确的命令应该加上--recursive参数git clone --recursive https://github.com/graphdeco-inria/gaussian-splatting.git如果已经克隆了仓库但子模块是空的可以执行以下命令补救git submodule update --init --recursive我在实际操作中发现国内用户可能会遇到子模块下载缓慢的问题。这时可以修改.gitmodules文件将github.com替换为国内镜像地址如hub.fastgit.org然后再执行子模块更新命令。3. Conda环境配置与依赖安装官方提供的environment.yml文件有时候并不完全适配所有环境。我建议先创建一个干净的conda环境conda create -n 3dgs python3.8 conda activate 3dgs然后手动安装核心依赖conda install pytorch1.13.1 torchvision0.14.1 torchaudio0.13.1 pytorch-cuda11.7 -c pytorch -c nvidia这里有个关键点PyTorch版本必须与CUDA版本严格匹配。我测试过的最佳组合是PyTorch 1.13.1 CUDA 11.7PyTorch 2.0.0 CUDA 11.8安装完主要依赖后还需要处理三个子模块的手动安装3.1 diff-gaussian-rasterization安装进入子模块目录cd submodules/diff-gaussian-rasterization执行编译安装pip install .如果遇到CUDA_HOME not found错误需要先设置环境变量set CUDA_HOMEC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.73.2 simple-knn安装这个模块相对简单cd submodules/simple-knn pip install .3.3 其他依赖项最后安装剩余依赖pip install -r requirements.txt4. 常见错误排查与解决4.1 DLL加载失败问题错误信息通常类似这样OSError: [WinError 182] 操作系统无法运行 %1。 Error loading D:\...\shm.dll这是因为PyTorch与CUDA版本不兼容导致的。解决方法完全卸载现有PyTorchpip uninstall torch torchvision torchaudio安装指定版本pip install torch1.13.1cu117 --extra-index-url https://download.pytorch.org/whl/cu1174.2 显存不足问题如果遇到CUDA out of memory错误可以尝试以下调整降低训练分辨率修改--resolution参数为1或2减少每批次的点云数量调整--num_points参数使用更小的训练集4.3 训练过程中的NaN错误这通常是由于数值不稳定导致的可以尝试降低学习率--lr 0.0001启用梯度裁剪--grad_clip 1.0检查输入数据是否包含异常值5. 实战训练示例配置好环境后就可以开始训练了。这里给出一个完整的训练命令python train.py -s ./data/input_images --iterations 30000 --eval关键参数说明-s: 输入图像目录路径--iterations: 训练迭代次数--eval: 启用评估模式--resolution: 图像下采样系数默认为1--sh_degree: 球谐函数阶数默认为3训练过程中可以通过tensorboard监控进度tensorboard --logdir ./logs第一次训练时建议使用小规模数据集测试。我用的测试集只有24张图片在RTX 4070Ti上训练耗时约36分钟。完整的数据集可能需要几个小时到几天不等具体取决于显卡性能和参数设置。6. 性能优化技巧经过多次实验我总结出几个提升训练效率的方法数据预处理将图片调整为正方形分辨率如1024x1024可以显著提升训练速度混合精度训练在命令中添加--fp16参数启用半精度计算内存优化设置--densify_until_iter提前终止点云加密过程并行处理使用--num_workers参数增加数据加载线程数对于显存有限的显卡可以尝试以下配置组合python train.py -s ./data -m ./output --iterations 15000 --resolution 2 --densify_until_iter 5000 --num_points 1000007. 可视化与结果导出训练完成后可以使用viewer.py查看结果python viewer.py -m ./output导出模型为点云格式python convert.py --input ./output/point_cloud.ply --output ./output/point_cloud.xyz如果需要生成视频动画可以使用render.py脚本python render.py -m ./output --orbit --fps 30 --duration 10 -o ./output/animation.mp4在整个环境搭建和训练过程中最重要的就是保持版本一致性。我建议新手严格按照我的版本组合来配置环境这样可以避免90%的兼容性问题。当熟悉了整个流程后再尝试升级到新版本。
3DGS环境搭建避坑指南：从零到一的实战复盘
1. 环境准备从零搭建3DGS开发环境第一次接触3D Gaussian Splatting简称3DGS时我完全被各种依赖关系和版本冲突搞懵了。记得当时照着某篇教程操作结果卡在环境配置这一步整整两天。后来才发现问题出在几个关键环节的版本匹配上。下面我就把踩过的坑和解决方案详细分享给大家。首先明确基础环境要求Windows系统建议Win10及以上、NVIDIA显卡建议RTX 20系以上、至少16GB显存。我的测试环境是RTX 4070Ti 16GB显卡实际训练时显存占用会达到12GB左右。如果你的显卡显存不足后面我会教你怎么调整参数降低显存消耗。必备软件清单Git for Windows建议2.40版本Anaconda3Python 3.7-3.9CUDA Toolkit 11.6/11.7Visual Studio 2019主要需要C编译工具链安装CUDA时有个细节特别容易出错系统环境变量设置。很多教程都忽略了这点导致后续出现各种CUDA_HOME not found错误。正确的做法是在安装完CUDA Toolkit后手动检查系统环境变量是否包含以下路径以CUDA 11.7为例C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\libnvvp C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\CUPTI\lib642. 代码克隆与子模块处理克隆仓库这一步看似简单实则暗藏玄机。直接运行git clone https://github.com/graphdeco-inria/gaussian-splatting.git会导致子模块为空这就是我遇到的第一个坑。正确的命令应该加上--recursive参数git clone --recursive https://github.com/graphdeco-inria/gaussian-splatting.git如果已经克隆了仓库但子模块是空的可以执行以下命令补救git submodule update --init --recursive我在实际操作中发现国内用户可能会遇到子模块下载缓慢的问题。这时可以修改.gitmodules文件将github.com替换为国内镜像地址如hub.fastgit.org然后再执行子模块更新命令。3. Conda环境配置与依赖安装官方提供的environment.yml文件有时候并不完全适配所有环境。我建议先创建一个干净的conda环境conda create -n 3dgs python3.8 conda activate 3dgs然后手动安装核心依赖conda install pytorch1.13.1 torchvision0.14.1 torchaudio0.13.1 pytorch-cuda11.7 -c pytorch -c nvidia这里有个关键点PyTorch版本必须与CUDA版本严格匹配。我测试过的最佳组合是PyTorch 1.13.1 CUDA 11.7PyTorch 2.0.0 CUDA 11.8安装完主要依赖后还需要处理三个子模块的手动安装3.1 diff-gaussian-rasterization安装进入子模块目录cd submodules/diff-gaussian-rasterization执行编译安装pip install .如果遇到CUDA_HOME not found错误需要先设置环境变量set CUDA_HOMEC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.73.2 simple-knn安装这个模块相对简单cd submodules/simple-knn pip install .3.3 其他依赖项最后安装剩余依赖pip install -r requirements.txt4. 常见错误排查与解决4.1 DLL加载失败问题错误信息通常类似这样OSError: [WinError 182] 操作系统无法运行 %1。 Error loading D:\...\shm.dll这是因为PyTorch与CUDA版本不兼容导致的。解决方法完全卸载现有PyTorchpip uninstall torch torchvision torchaudio安装指定版本pip install torch1.13.1cu117 --extra-index-url https://download.pytorch.org/whl/cu1174.2 显存不足问题如果遇到CUDA out of memory错误可以尝试以下调整降低训练分辨率修改--resolution参数为1或2减少每批次的点云数量调整--num_points参数使用更小的训练集4.3 训练过程中的NaN错误这通常是由于数值不稳定导致的可以尝试降低学习率--lr 0.0001启用梯度裁剪--grad_clip 1.0检查输入数据是否包含异常值5. 实战训练示例配置好环境后就可以开始训练了。这里给出一个完整的训练命令python train.py -s ./data/input_images --iterations 30000 --eval关键参数说明-s: 输入图像目录路径--iterations: 训练迭代次数--eval: 启用评估模式--resolution: 图像下采样系数默认为1--sh_degree: 球谐函数阶数默认为3训练过程中可以通过tensorboard监控进度tensorboard --logdir ./logs第一次训练时建议使用小规模数据集测试。我用的测试集只有24张图片在RTX 4070Ti上训练耗时约36分钟。完整的数据集可能需要几个小时到几天不等具体取决于显卡性能和参数设置。6. 性能优化技巧经过多次实验我总结出几个提升训练效率的方法数据预处理将图片调整为正方形分辨率如1024x1024可以显著提升训练速度混合精度训练在命令中添加--fp16参数启用半精度计算内存优化设置--densify_until_iter提前终止点云加密过程并行处理使用--num_workers参数增加数据加载线程数对于显存有限的显卡可以尝试以下配置组合python train.py -s ./data -m ./output --iterations 15000 --resolution 2 --densify_until_iter 5000 --num_points 1000007. 可视化与结果导出训练完成后可以使用viewer.py查看结果python viewer.py -m ./output导出模型为点云格式python convert.py --input ./output/point_cloud.ply --output ./output/point_cloud.xyz如果需要生成视频动画可以使用render.py脚本python render.py -m ./output --orbit --fps 30 --duration 10 -o ./output/animation.mp4在整个环境搭建和训练过程中最重要的就是保持版本一致性。我建议新手严格按照我的版本组合来配置环境这样可以避免90%的兼容性问题。当熟悉了整个流程后再尝试升级到新版本。
