3D Gaussian Splatting Linux端部署指南(含Linux可视化)

serapan 2024-06-13 14:07:02 阅读 87

3D Gaussian Splatting Linux端部署指南

目录

项目地址

部署记录

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

补充:sibr_3Dgaussian离线可视化训练好的模型

朋友浩哥说环境是最难配的,配好环境,你就成功了一半!

项目地址

windows部署版本:https://github.com/jonstephens85/gaussian-splatting-Windows

windows和linux部署版本:https://github.com/graphdeco-inria/gaussian-splatting

部署记录

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程序进行相机位姿计算,虽然可以下载no cuda版本,但是比较慢,于是直接使用官方数据集,建议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,然后进行训练:

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里复制一份。

      3. 子模块有了,手动继续安装子模块:

pip install submodules/diff-gaussian-rasterizatio/ pip install submodules/simple_knn/

又有报错:cuda和pytorch不匹配的问题,看来必须处理环境配置问题了。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

 

d7c8757739844f7cbc5b82174ab9241e.png

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环境变量或者为执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:

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_splattingchannels: - pytorch - conda-forge - defaultsdependencies: - 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,提示成功下载子模块

d817d042e7d34bd486a211600b88745c.png

进行训练,发现又少了一个子模块submodules/simple_knn

5033b00c0d7645fa8017346551caf5cb.png

      9. 继续下载该子模块,下载成功

pip install submodules/simpe_knn/

a50cecc1814f4d75afd53b629479657d.png

      10. 至此,环境问题就解决掉了,继续训练数据,15分钟训练成功:

python train.py -s data/truck/

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接近,失真就越小。

好家伙,gpu利用率直接100:

b768c0362da84f7699e06d16709f9989.png

由于训练未用-m参数指定用模型导出路径,生成的模型文件在训练的模型结构如下:

74f9180390964667889aff7d0acefca8.png

若用-m参数指定用模型导出路径,再进行训练,模型文件有如下结构:

python train.py -s data/truck/ -m data/output

daa1d0240e4642429375940d03b2b411.png

10分钟训练完了train,23分钟训练完了drjohnson

事后实验,使用cuda12.3也可以进行训练,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来加速运算,系统环境中需要使用pytorch对应的cuda版本才能顺利安装。

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进行构建:

Ubuntu的 22.04在运行项目安装程序之前,需要安装一些依赖项。

# Dependenciessudo 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 setupcd SIBR_viewerscmake -Bbuild . -DCMAKE_BUILD_TYPE=Release # add -G Ninja to build fastercmake --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:

61c09fa20def49249eef6d7b59a5e929.png

找到:/home/wyc/sera_ws/gaussian-splatting/SIBR_viewers/extlibs/CudaRasterizer/subbuild/CMakeLists.txt

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)

罪魁祸首,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.txt

2dcdfb0cec8a407090a10356ab473458.png

再执行cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release,执行成功!

da9b45a5e230424abbeab03793a04a84.png

执行cmake --build build -j32 --target install,成功!

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型文件,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

89f4d98024e542cfa99881519c2409ff.png

 

69bb93c6b8f94e00817a6ee9ac492525.png

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 ffmpegsudo apt-get remove ffmpegsudo 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

安装依赖:

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.gitcd colmapmkdir buildcd buildcmake .. -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 -j32sudo ninja install

ninja报错:

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

e4b15db7a7f54beaa709df273ad9271b.png

在CMakeList文件中添加一句设置gpu架构版本也没用

461f030820dd4f2aaf271844b6e512f5.png

set(CMAKE_CUDA_ARCHITECTURES 8.9)

猜测分支3.10-dev太新不太支持自己的cuda,git checkout 3.9切换分支到3.9

bc541508ef674fb886eb0b9cc1233332.png

继续cmake .. -GNinja ,报错:

588871b68e084d849c5463c77d56734d.png

添加set(CMAKE_CUDA_ARCHITECTURES 8.9) 后继续cmake .. -GNinja

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都编译成功,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:

10234549fde945609e5cd0b349a7cd62.png

90719594546249b8a1bf6b985ff02a87.png

然后sudo ninja install安装colmap成功!

运行 COLMAP:

colmap -hcolmap gui

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->0

7eee42e0982c4dab9510805a93ee4974.png

41dc3ac7c181450da37e60b927ba2647.png

使用ffmpeg和colmap从视频准备数据:

参考视频:3D Gaussian Splatting本地部署【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 osimport 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))[0]# 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

执行脚本,会得到如下目录结构,并执行可视化:

python train_video.py./SIBR_remoteGaussian_app -s /home/wyc/sera_ws/gaussian-splatting/data/mouse/output

ce3fc1557b484145b4a2e336bf392dc5.png

d6e8e4a9e2f54692817046a3ddd056a1.png

 

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: 

68244a5fc20d40caae72e17e4075ad86.png

 

b15443f6e0a5442f92559432be1ed89a.png

e2c8180a9af040ddb692e9d08b8b771b.png

补充:sibr_3Dgaussian离线可视化训练好的模型

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。

 执行,-m参数带的是训练好的模型:

./SIBR_gaussianViewer_app -m /home/wyc/sera_ws/gaussian-splatting/data/mouse/output



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。