3DGS代码运行具体流程（部署在远程ubuntu22.04服务器）

3D Gaussian Splatting（3DGS）官方代码是 graphdeco-inria 的 gaussian-splatting 仓库，部署在远程 Ubuntu 22.04 服务器上跑。本文记录从拉代码、配 conda 环境、准备数据集、跑训练，到装可视化工具 SIBR_gaussianViewer 看效果的完整流程，命令都能直接复用。

一、拉代码与环境

在服务器上对应位置直接执行：

git clone [email protected]:graphdeco-inria/gaussian-splatting.git --recursive

代码 clone 完之后是配 conda 环境，直接按仓库里的 environment.yml 来即可，这一步不另作展开。

二、准备数据集

跑 train.py 需要 -s 指定的数据集。官方给了一个现成的测试数据：T&T + DB COLMAP（650MB），里面包含 4 个场景的图片，并且已经用 convert.py 做完 colmap 转换，可以直接拿来跑训练测试。下载后放到 gaussian-splatting 路径下，建议新建一个 data/input 文件夹放进去。

三、开始训练

python train.py -s XXX\tandt_db\db\playroom -m XXX\data/output

这里要指定具体场景，本文用的是 playroom；-m 指定输出路径。跑起来之后大约需要二十多分钟。

四、装可视化工具 SIBR_gaussianViewer

训练过程中可以开另一个终端看可视化，工具叫 SIBR_gaussianViewer，下载方式仓库 README 里写得很清楚，按自己服务器系统来。本文是 ubuntu22.04，操作如下：

sudo 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

cd SIBR_viewers
cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release
cmake --build build -j24 --target install

依次执行即可，其他版本参考 README 调整。装好之后在训练时再开一个终端，进 gaussian 目录执行：

./SIBR_viewers/install/bin/SIBR_gaussianViewer_app -m data/output

这样就能边训练边看可视化了。

五、实操提醒

• --recursive 别漏，仓库里带子模块，漏了后面编译会缺依赖。
• 数据集放的路径要和 train.py 的 -s 参数完全对上，Windows 路径分隔符在 Linux 服务器上要用正斜杠。
• 可视化工具依赖比较多，libgtk-3、libopencv、libeigen3 这几个少装一个就编不过。
• 训练时长和场景规模强相关，二十多分钟是官方小数据集的量级，自己数据会更久。

qidao123.com企服评测-应用市场 编辑提示