企业官网建设流程全解析

ooosplat直接安装使用

OOOSplat 是一款将普通环绕拍摄视频或图片序列一键转换为 3D Gaussian Splatting 的本地桌面应用。选择素材、项目目录和质量档位后，应用会自动完成画面准备、相机重建、训练与 PLY 发布，并可直接预览、调整和导出结果
github下载：
ooosplat

必要工具下载与介绍（传统的）

一、 Anaconda3

需要登录一下邮箱 科学上网一下 安装会比较慢 耐心等待一下
Anaconda3下载地址

初始只有个base环境，后面会在这配置相关的高斯泼溅所需环境。

二、 CUDA 11.8

渲染要用到的，我求稳定下载的11.8版本

三、 VS2019

和CUDA配套使用的。不知道有没有安装其他版本最后成功的，我反正只能2019版本成功。我这里勾选了python和**C++**的选项。

四、 Colmap

不同版本下载地址

Colmap下载压缩包

4.1 COLMAP 简介

COLMAP 是一个功能强大的开源三维重建工具，它支持自动化的多视角几何重建，包括特征提取、相机位姿估计、稀疏点云重建、稠密点云生成等核心功能。无论是学术研究还是工程应用，COLMAP 都是不可或缺的三维重建利器。 下载学习资源

4.2 为什么选择 COLMAP？

1.易用性：COLMAP 提供了 GUI 和 CLI 两种模式，满足用户的可视化需求和命令行自动化需求。对于新手来说，GUI 模式可以直观地查看每一步的处理结果，方便快速上手；而对于需要批量处理或集成到自动化流程中的用户，CLI 模式则提供了极大的灵活性，可以通过脚本一键完成整个三维重建流程。

2.功能强大：支持多种相机模型（如针孔模型、鱼眼模型等）和大规模图像数据处理。无论是手机拍摄的照片、无人机航拍的影像，还是专业相机采集的高分辨率图像，COLMAP 都能有效处理。它还支持分布式计算，可以在多台机器上并行处理大规模数据集，大幅缩短重建时间。

3.高性能：利用 CUDA 进行 GPU 加速（需 CUDA 支持），能够显著提升特征提取、匹配和重建的速度。在 GPU 加速下，原本需要数小时的重建任务可以缩短到几十分钟甚至更短，极大地提高了工作效率。同时，COLMAP 还针对内存使用进行了优化，能够处理超出显存容量的数据集。

4.开源免费：基于 MIT 开源协议，可自由使用和修改。这意味着你不仅可以免费使用 COLMAP 的全部功能，还可以根据自身需求修改源码、定制功能，甚至将其集成到自己的商业项目中而无需支付任何授权费用。此外，活跃的开源社区也保证了 COLMAP 的持续更新和问题修复。

5.生态完善：COLMAP 与众多主流的三维重建和渲染框架（如 OpenMVS、Meshroom 等）兼容，可以无缝衔接。在本教程中，COLMAP 将作为高斯泼溅（3D Gaussian Splatting）的前置工具，负责从输入图片中生成稀疏点云和相机参数，为后续的高斯训练提供必要的数据基础。

4.3.选择合适的版本

滑动页面到最下方，根据系统选择对应的版本：

Windows 用户：下载colmap-x64-windows-cuda.zip。
Mac/Linux 用户：可根据需要自行编译源码（建议参考官方文档进行编译）。

4.4配置环境变量

4.5添加路径到环境变量中

4.6点击 新建，将刚才复制的路径粘贴进去（不能有中文和空格）

比如：G:\colmap\colmap-x64-windows-cuda

4.7 验证是否安装成功双击COLMAP.bat

4.8双击 COLMAP.bat 后，如果成功启动，会弹出 COLMAP 的 GUI 界面。

五、 配置环境（没装git的先装一下git）

5.1 克隆项目

把项目文件git下来，我不喜欢放C盘，就放G盘了，控制台输入：cd /d G:\

5.2 克隆项目命令

输入git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive，这里可能会有小问题，上网查一下基本都能解决，clone 如下：

5.3. 设置环境变量指令

目的是使用 Microsoft Visual C++ 构建工具（通常是 Windows SDK 相关组件）

来到文件路经 cd /d G:\gaussian-splatting，注意：后续操作都基于这个路径

5.4. 创建高斯泼溅环境

用Conda创建高斯泼溅的环境。

我安装的conda在命令行输入时要输成 _conda,当时找了半天问题，以为我安装错了。

对了，记得把anaconda的文件夹放进环境变量，不然没法用。

输入_conda ,弹出一大堆东西就说明可以用了。

安装完anaconda3 会有 Anaconda Prompt 全部基于这个环境

5.5这里是切换到我上面克隆项目下的目录

5.6创建虚拟环境(G:\CondaEvns\GS)这里是路径

_conda env create --file environment.yml --prefixG:\CondaEvns\GS

5.7激活环境

六、开始训练

6.1创建输入文件夹

在之前clone下来的项目文件中，先随便创建个文件夹，我这里创建了个 data，

再在 data 文件夹里创建输入文件夹，命名为 input 。

在 input 文件夹中放入要处理的图片。这里我是自己拍摄的视频每秒抽几帧出来的。

PS：最开始只有一个 input 文件夹，在之后运行代码会多出如下文件夹（与图片、相机参数有关的）。

七、Colmap点云初始化

7.1 调用 convert.py ，控制台输入：

PS：这里要先打开之前创建的conda环境，转到高斯泼溅的根目录，根据我的文件目录输入：

python convert.py –s data( 或者python convert.py -s "G:\gaussian-splatting\data"）

完成后 input 文件夹多出上面说的与图片、相机参数、稀疏3D点有关的文件夹。

正在初始化data中的input图片进行参数的添加

7.2. 高斯训练

调用 train.py ,开始高斯泼溅渲染。输入：
在我这里也就是输入：python train.py –s data或者python train.py -s "G:\gaussian-splatting\data"

这里会显示7000步和30000步的迭代进度，相应的会在根目录那里自动创建 output 文件夹

7.3. 子模块安装补充

训练的时候有几个问题产生：子模块没有安装，这里我也卡了蛮久

我首先试了直接 pip install submodules\diff-gaussian-rasterization，报错，安装不了

如果不是2019版本，我第一次22版本CUDA编译器NVCC报告致命错误：不支持当前VS版本

安装这个先，输入：conda install -c conda-forge vs2019_win-64，19版的开发工具应该是

接着再安装子模块 ，依次输入：

pip install submodules\diff-gaussian-rasterization
pip install submodules\simple-knn
pip install submodules\fused-ssim

分别是高斯光栅化、数据处理、图像质量评估的子模块，安装之后就可以正常训练了，大功告成，这步折磨了我很久。

八、最终模型启动展示

九、模型素材网址（也可以自行网上找寻）

https://demuc.de/colmap/datasets/

https://www.tanksandtemples.org/download/

十、问题的总结以及流程化步骤

10.1注意python的版本推荐3.10及以上，否测也会出问题

10.2子模块安装补充问题

编译 3 个 CUDA子模块 扩展包

cdG:\gaussian-splatting\submodules\fused-ssim pip install . --no-build-isolation cdG:\gaussian-splatting\submodules\simple-knn pip install . --no-build-isolation cdG:\gaussian-splatting\submodules\diff-gaussian-rasterization pip install . --no-build-isolation 安装完之后启动训练 cdG:\gaussian-splatting set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data

10.4缺少 plyfile 包这个包用来读写 ply 点云文件

在当前 GS 环境执行安装 pip install plyfile 或者用 conda 安装： conda install plyfile 安装完成后，先验证 python -c"import plyfile;print('plyfile ok')"然后再启动训练（别忘了设置 KMP） set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data

10.5cv2 就是 OpenCV，高斯泼溅读取图片、处理相机需要这个库，直接安装就行

在 GS 环境执行安装命令 pip install opencv-python 验证是否安装成功 python -c"import cv2;print('cv2导入成功')"启动训练（记得设置 KMP 环境变量） set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data

10.6 tqdm报错

在 GS 环境执行安装命令 pip install opencv-python plyfile tqdm 启动训练（记得设置 KMP 环境变量） set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data

十一、 Gaussian Splatting Windows 从零部署完整流程

适用环境：Windows 10/11、CUDA11.8、Python3.10、Anaconda

项目路径：G:\gaussian-splatting

虚拟环境路径：G:\CondaEvns\GS

11.1、前期必备环境（提前装好）

• NVIDIA 显卡驱动（支持CUDA）

• CUDA Toolkit 11.8（必须严格11.8）

• Visual Studio Build Tools 2022（勾选：使用C++的桌面开发）

• COLMAP Windows CUDA版本

11.2、创建并配置 Python3.10 虚拟环境

打开Anaconda Prompt依次执行：

# 创建Python3.10专属环境 conda create --prefix G:\CondaEvns\GS python=3.10 -y # 激活虚拟环境 conda activate "G:\CondaEvns\GS" # 校验Python版本（必须3.10.x） python --version

11.3、安装 GPU 版 PyTorch（CUDA11.8）

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y

11.4、修复Windows致命报错（shm.dll / Win182 / 126）

解决OpenMP库冲突，必做，否则全程报错

# 备份冲突系统库 move G:\CondaEvns\GS\Library\bin\libiomp5md.dll G:\CondaEvns\GS\Library\bin\libiomp5md.dll.bak

✅关闭当前窗口，重新打开 Anaconda Prompt，再次激活环境

conda activate "G:\CondaEvns\GS" set KMP_DUPLICATE_LIB_OK=TRUE

11.5、安装全部项目依赖包

pip install plyfile tqdm opencv-python pillow

依赖完整性校验（全部不报错即成功）

python -c "from PIL import Image;print('PIL成功')" python -c "import cv2;print('cv2成功')" python -c "import plyfile;print('plyfile成功')" python -c "import torch;print('torch成功',torch.cuda.is_available())"

11.6、编译三个核心CUDA扩展模块（Windows必须手动编译）

原版yml自动编译会报错，必须手动逐条编译

# 1. 编译 fused-ssim cd G:\gaussian-splatting\submodules\fused-ssim pip install . --no-build-isolation # 2. 编译 simple-knn cd G:\gaussian-splatting\submodules\simple-knn pip install . --no-build-isolation # 3. 编译 diff-gaussian-rasterization（核心光栅器） cd G:\gaussian-splatting\submodules\diff-gaussian-rasterization pip install . --no-build-isolation

11,7、创建数据集文件夹 & 存放图片

1. 固定目录结构

在G:\gaussian-splatting下新建文件夹，最终结构：

gaussian-splatting/ └── data/ └── images/ # 所有拍摄图片放入这里

2. 执行COLMAP稀疏重建（生成相机参数+点云）

替换为你自己的colmap.exe路径，统一执行：

cd G:\gaussian-splatting python convert.py --colmap_executable "G:\colmap\colmap-x64-windows-cuda\bin\colmap.exe" -s data

执行完成后，data文件夹会自动生成sparse点云文件，代表数据集准备完成。

11.8、正式启动高斯训练（二选一执行）

方案1：默认画质（高显存、原图训练）

cd G:\gaussian-splatting set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data

方案2：低显存专用（推荐！提速防卡顿）

缩放图片0.5倍，大幅降低显存压力，解决训练卡住、速度慢问题

cd G:\gaussian-splatting set KMP_DUPLICATE_LIB_OK=TRUE python train.py -s data -r 0.5

11.9、常用关键说明

• 训练结果保存路径：G:\gaussian-splatting\output

• 新开终端必做两步：激活环境 + 设置KMP变量

• 训练卡住不动：优先使用-r 0.5参数重启训练

• Tensorboard not available为正常提示，不影响训练

11.10、重启项目通用启动模板（日常复用）

conda activate "G:\CondaEvns\GS" set KMP_DUPLICATE_LIB_OK=TRUE cd G:\gaussian-splatting python train.py -s data -r 0.5