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

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

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：

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

进行训练，发现又少了一个子模块submodules/simple_knn：

9. 继续下载该子模块，下载成功

pip install submodules/simpe_knn/

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/

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：

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：

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

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：

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

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

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

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

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

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：

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

在CMakeList文件中添加一句设置gpu架构版本也没用

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

继续cmake .. -GNinja ，报错：

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

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:

然后sudo ninja install安装colmap成功！

运行 COLMAP：

colmap -hcolmap gui

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

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)