1. 环境准备从源码获取到基础依赖安装第一次接触3D Gaussian Splatting时我花了整整两天时间才把环境跑通。现在回头看大部分时间都浪费在源码下载和环境配置上。为了让你们少走弯路我把整个流程拆解成可复现的步骤。1.1 源码获取的正确姿势很多人遇到的第一个坑就是源码下载不全。官方仓库包含主项目和三个子模块diff-gaussian-rasterization、glm、simple-knn手动下载很容易遗漏。最稳妥的方式是使用带--recursive参数的git命令git clone https://github.com/graphdeco-inria/gaussian-splatting.git --recursive如果网络条件不允许使用git就需要手动下载四个部分主项目仓库gaussian-splatting子模块diff-gaussian-rasterizationglm位于diff-gaussian-rasterization/third_party下子模块simple-knn手动下载后需要严格按照原始目录结构放置gaussian-splatting/ ├── submodules/ │ ├── diff-gaussian-rasterization/ │ │ └── third_party/glm/ │ └── simple-knn/1.2 Python环境搭建推荐使用Anaconda创建独立环境我测试过Python 3.8和3.9都能正常工作。关键是要匹配PyTorch和CUDA版本这里有个容易踩的坑官方文档可能不会明确告诉你版本对应关系。根据我的实测以下组合最稳定conda create -n gsplat python3.9 conda install pytorch2.0.1 torchvision0.15.2 torchaudio2.0.2 -c pytorch安装完成后一定要验证CUDA是否可用import torch print(torch.cuda.is_available()) # 应该返回True print(torch.version.cuda) # 应该显示你的CUDA版本号2. 关键依赖配置MSVC与CUDA的坑点2.1 MSVC编译环境配置diff-gaussian-rasterization模块需要MSVC编译这是Windows用户最容易卡住的地方。我试过三种方案最简单的是直接安装Visual Studio 2022安装时选择使用C的桌面开发工作负载确保勾选Windows 10/11 SDK和MSVC v143安装路径不要有中文和空格默认路径经常在Program Files下容易出问题安装完成后需要将cl.exe加入环境变量路径类似C:\Program Files\Microsoft Visual Studio\2022\Community\VC\Tools\MSVC\版本号\bin\Hostx64\x64验证方法是在cmd输入cl看到类似这样的输出就成功了Microsoft (R) C/C Optimizing Compiler Version 19.37.32822 for x642.2 CUDA环境深度检查除了PyTorch需要的CUDA运行时还需要确保系统有完整的CUDA Toolkit。这里有个隐藏坑点PyTorch自带的CUDA可能不包含nvcc编译器。建议单独安装与PyTorch匹配的CUDA Toolkitconda install cuda -c nvidia/label/cuda-11.8验证nvcc可用nvcc --version如果遇到不是内部命令错误可能需要手动添加CUDA路径到环境变量C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin3. 子模块安装与可视化工具部署3.1 子模块编译安装环境准备就绪后可以安装两个关键子模块。注意这里要用pip直接安装本地路径pip install ./submodules/diff-gaussian-rasterization pip install ./submodules/simple-knn常见错误及解决方案错误找不到cl.exe→ 检查MSVC环境变量错误CUDA版本不匹配→ 使用conda list检查各包版本错误GLM头文件缺失→ 确认glm放在正确位置3.2 可视化工具配置官方提供了预编译的Viewer但下载后有几个注意事项解压路径不要包含中文首次运行可能需要安装VC运行库训练过程中和训练后的可视化使用不同可执行文件训练过程实时监控./SIBR_remoteGaussian_app结果查看训练完成后./SIBR_gaussianViewer_app -m ./output/场景名称4. 数据集准备全流程4.1 COLMAP安装与配置建议下载COLMAP 3.8 Windows CUDA版本配置时要注意解压到不含空格的路径如D:/COLMAP添加环境变量后重启终端测试命令colmap -h4.2 图片到数据集的转换input文件夹结构示例my_dataset/ └── input/ ├── image1.jpg ├── image2.jpg └── ...转换命令的实用技巧python convert.py -s ./my_dataset --resize--resize参数会自动调整图片尺寸但需要提前安装ImageMagick复杂场景建议先跑20-30张测试图片内存不足时可以添加--downscale 2参数5. 训练过程与问题排查5.1 启动训练脚本基础训练命令python train.py -s ./my_dataset -m ./output/result实用参数组合python train.py -s ./data -m ./output \ --iterations 30000 \ --resolution 2 \ --sh_degree 35.2 常见错误排查清单CUDA out of memory尝试降低--resolution1或2添加--densification_interval 1000训练结果模糊检查原始图片是否对焦准确增加--iterations到50000Viewer无法连接检查是否先启动了SIBR_remoteGaussian_app防火墙可能阻止了本地连接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内存优化export PYTORCH_CUDA_ALLOC_CONFmax_split_size_mb:128多GPU训练python train.py ... --num_gpus 2早期终止策略前1000次迭代后检查点云密度使用--early_stopping参数在Windows系统上我还发现将临时文件目录移到SSD可以提升20%左右的IO性能。具体做法是设置环境变量set TEMPD:\ssd_cache\temp set TMPD:\ssd_cache\tmp
