3D高斯泼溅环境搭建

一、我的电脑配置

• CPU：i5 14600KF
• GPU：NVIDIA GeForce RTX 5060 Ti 8G
• 内存：32G

二、安装驱动和工具

1. 安装Miniconda

下载Miniconda

下载Miniconda-清华源

傻瓜式点击Next即可

安装完，打开cmd执行下：conda --version

如果提示没找到命令，需要手动去配置下Path环境变量

• D:{安装路径}\miniconda3
• D:{安装路径}\miniconda3\Scripts
• D:{安装路径}\miniconda3\Library\bin

修改为国内清华源

2. 安装CUDA

尽量不要选择太新的版本，不然后续会有很多问题，我这边选择的是CUDA Toolkit 12.8， 或者选择其他版本下载CUDA Toolkit

选择自定义安装，显卡驱动之前装过无需重复再装了

安装完成后，打开cmd执行下：nvcc --version

加一个Path环境变量：CUDA_HOME

3. Visual Studio Installer

下载VisualStudio

安装 使用C++的桌面开发，按照我的选择去勾选下载，后面编译遇到的很多问题大多数是这里没下载， 下载安装完后重启下电脑。

3. git clone Repository

# SSH
git clone git@github.com:graphdeco-inria/gaussian-splatting.git --recursive

or

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

--recursive表示的是递归下载子模块

4. 下载其他工具

1. T&T+DB COLMAP：repo-sam.inria.fr/fungraph/3d…
2. Viewers for Windows：repo-sam.inria.fr/fungraph/3d…

三、环境搭建

1. 创建conda环境

# 创建一个名为 gspj_env 的 Conda 虚拟环境，指定 Python 版本为 3.10，并自动确认安装（-y 参数）
conda create -n gspj_env python=3.10 -y

# 激活刚刚创建的虚拟环境 gspj_env
conda activate gspj_env

# 安装 tqdm，一个用于在命令行中显示进度条的 Python 库
conda install tqdm -y

# 从 NVIDIA 的 Conda 频道安装 CUDA Toolkit 12.8.0，用于支持 GPU 加速计算
conda install nvidia/label/cuda-12.8.0::cuda-toolkit -y

# 通过 Conda-Forge 频道安装 plyfile（用于读写 PLY 3D 模型文件）和 vs2019_win-64（Windows 下的 Visual Studio 构建工具依赖）
conda install -c conda-forge plyfile vs2019_win-64 -y

# 使用 pip 安装指定版本的 PyTorch、torchvision 和 torchaudio
# 版本：PyTorch 2.7.1，对应 torchvision 0.22.1 和 torchaudio 2.7.1
# --index-url 指定使用 PyTorch 官方的 CUDA 12.8 预编译版本源
pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu128

# 安装 OpenCV-Python（用于图像处理）和 joblib（用于轻量级并行计算和数据持久化）
pip install opencv-python joblib

# 安装本地子模块：diff-gaussian-rasterization
# 这是 3D Gaussian Splatting 中用于可微渲染的核心库，通常需要本地编译
pip install submodules/diff-gaussian-rasterization

# 安装本地子模块：simple-knn
# 一个简单的 K 近邻查找库，可能是 diff-gaussian-rasterization 的依赖
pip install submodules/simple-knn

# 安装本地子模块：fused-ssim
# 实现融合的 SSIM（结构相似性）损失函数，通常用于图像重建任务，可能包含 CUDA 内核
pip install submodules/fused-ssim

安装CUDA Toolkit

安装PyTorch

安装本地子模块

四、训练展示

分别解压viewers.zip、tandt_db.zip

训练：python train.py -s C:\Users\Administrator\Downloads\tandt_db\db\playroom -m C:\Users\Administrator\Downloads\out

遇到这个报错，是内部依赖对numpy冲突了，重装一次numpy就好了

pip uninstall numpy

pip install numpy --no-cache-dir

训练中可以双击打开viewers中的SIBR_remoteGaussian_app.exe实时查看，GPU打满的不建议打开，卡！

训练完成后，在viewersbin\SIBR_gaussianViewer_app.exe -m C:\Users\Administrator\Downloads\out