1. 项目背景与核心目标
最近在3D重建领域,3D Gaussian Splatting(3DGS)技术因其出色的实时渲染效果和相对较低的计算成本备受关注。作为一名长期关注计算机图形学的开发者,我决定在AutoDL云服务器上复现这项技术的开源实现,重点验证其在1万轮和3万轮训练后的场景重建质量差异。
选择AutoDL主要基于三个实际考量:首先是性价比,A5000显卡实例每小时费用仅1.2元;其次是环境预配置优势,其镜像市场已包含CUDA 11.7和PyTorch 1.13等必要组件;最后是数据盘扩容方便,3DGS训练需要处理大量点云数据,50GB的系统盘明显不够用。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与工具链配置
2.1 服务器实例选择
在AutoDL控制台选择"GPU RTX 3090"实例规格,关键参数配置如下:
- 镜像:Ubuntu 20.04 + CUDA 11.7
- 系统盘:50GB(默认)
- 数据盘:200GB(必须额外挂载)
- 网络带宽:5Mbps(足够代码下载)
注意:不要选择RTX 4090实例,虽然算力更强但性价比不高。实测发现3DGS训练对显存需求在12GB以内,3090完全够用。
2.2 基础环境部署
通过SSH连接实例后,依次执行以下命令:
bash复制# 安装基础工具
apt update && apt install -y git wget unzip
# 配置Python环境
conda create -n 3dgs python=3.8 -y
conda activate 3dgs
pip install torch==1.13.1+cu117 torchvision==0.14.1 --extra-index-url https://download.pytorch.org/whl/cu117
2.3 代码仓库克隆与依赖安装
使用官方推荐的fork版本,该版本对云环境适配更好:
bash复制git clone https://github.com/graphdeco-inria/gaussian-splatting --depth=1
cd gaussian-splatting
pip install -r requirements.txt
遇到的主要依赖
