前言

复现的是 3D Gaussian Splatting 的一篇比较经典的文章，源代码在 Github:3D Gaussian Splatting 。使用的是云算力训练，将训练结果下载到本地，使用官方提供的viewers进行结果的查看。在该过程中踩过些坑，所以在这里记录一下。

项目需要

1. 不少于4G显存的本地Windows电脑
2. 本地电脑需要安装 CUDA toolkit 12.X
3. 租用一个配置足够的云算力，或者自己本地电脑显存足够

前期准备

源码准备

这个项目在源码上就有个坑，对于源码，如果直接使用

git clone https://github.com/graphdeco-inria/gaussian-splatting.git

或者在github上download压缩文件，那么下面的submodules文件夹中的diff-gaussian-rasterization和simple-knn, 都是空的，后面训练的时候会报错，显示没有这两个model。

你需要在github上分别进入这三个仓库，下载到对应的代码后，把他们放进submodules中，或者使用我找到的这个版本（不是最新的，但是我用这个能跑通） 百度网盘，ps：感谢原作者分享 !

数据准备

数据使用的是官方提供的 COLMAP 数据集，在这个数据集中，一共有四组数据，db文件夹中是两个场景，tandt文件夹中是两个静物。我尝试的是tandt里面的truck（看很多博客上说，选择静物的训练速度要明显快于场景，没尝试过场景，后面可以验证一下。）下载链接

可视化工具准备

下载上面图片中给出的Viewers for Windows，在Windows环境中，配置比较简单。下载链接

环境搭建

我的本地环境是RTX4060，看 别人的复现记录 感觉应该可以尝试一下，但是我嫌下载的东西太多，后面想删都删不干净，干脆直接上云算力了。用的是 蓝耕云 ，现在云算力都大差不差，看价格也没啥太大差距。用这个是因为有算力券 -_- 。
租用啥的不说了，网上挺多教程，他们平台自己的文档也挺全面。我当时选的是11.8的cuda版本，12.1的应该也可以跑，（后面用viewers可视化的时候，我报了个cuda不是12的错，但是也没关系，租的linux服务器没可视化，我们可视化都是在本地，保证本地cuda是12就行）

对于云算力的操作界面，我还没习惯接Pycharm或者vscode，Pycharm接终端有些配置有点绕，用自带的JupyterLab，适配程度更是炸裂。目前用的是 xterminal ，目前见过的操作最人性化的SSH工具，对文件上传下载速度还有优化，界面还超级简洁美观。

因为在前面已经选择过pytorch镜像了，所以已经不需要再装pytorch了，需要到项目根目录使用终端，先把我们submodule文件夹中两个module装好。

注意终端的所在目录，不然会找不到

pip install plyfile
pip install submodules/diff-gaussian-rasterization/
pip install submodules/simple-knn/

等待安装完成就行，再缺啥就下啥，可能还有需要的库，当时没注意。
对于数据集，可以建一个 data 文件夹，把前面下载的数据集文件夹传上去，在这个应用中操作就很简单。

训练

训练：

python train.py -s [数据集的路径]

这个时候，如果不出意外的话，就能跑起来了，至于 博客1 里面 FFmpeg，colmap，好像如果有需要，可以再装，如果是colmap提示没安装，可以参考 colmap安装 ，博客给的建议，直接：

apt-get update
apt-get install colmap

搞编译麻烦的要命，我后面或许需要用到，但是目前来看还好，代码能跑。

可视化

训练正常结束，会生成一个output文件夹，直接把这个文件夹下载到本地。

前面说到下载那个viewers的文件，本地解压，然后把output放进去

在这个文件夹上使用cmd，输入指令

.\bin\SIBR_gaussianViewer_app -m output\52cxxxx

注意：这个可视化工具需要cuda toolkit 12.X，我原来装的是11.8，给我弹窗报错说 “由于找不到cudart64_12.dll”，有类似报错的可以去下载最新的cuda，cuda下载，当然，要看自己的电脑是否支持12的cuda，如果不支持，也没办法升级，这个教程很多。可能还需要下载visual studio，这个有报错的话，需要另找博客。
在项目的SIBR_views文件夹中可以看到官方给的readme，作为参考。

结果展示

里面窗口是可以拖动大小的，可以调整不同的模式调整视角，使用3090训练这个数据集的话，时间大概在18分钟左右，速度还是可以接受的，效果也还可以。