1. 项目概述:在AutoDL云服务器复现3DGS代码
最近在AutoDL云服务器上成功复现了3D Gaussian Splatting(3DGS)的代码,并输出了第1万轮和第3万轮的3D场景。3DGS是近年来计算机视觉领域的一项突破性技术,它通过大量可学习的3D高斯分布来表示场景,相比传统的NeRF等体积渲染方法,3DGS在训练速度和渲染质量上都有显著优势。
AutoDL作为国内主流的GPU云服务平台,提供了丰富的计算资源和预配置环境,特别适合复现这类需要强大计算力的3D视觉项目。整个过程从环境配置到最终渲染大约需要6-8小时(取决于具体GPU型号),主要消耗在模型训练阶段。最令人兴奋的是,我们能够直观地观察到模型在不同训练轮次(1万轮和3万轮)下的渲染质量差异,这为理解3DGS的学习过程提供了宝贵参考。
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AutoDL配置
2.1 AutoDL实例选择
在AutoDL平台上,选择合适的GPU实例是项目成功的第一步。对于3DGS复现,推荐使用至少24GB显存的GPU,如RTX 3090或A5000。我的选择是RTX 4090实例,主要考虑以下因素:
- 显存容量:3DGS训练过程中显存占用会逐渐增加,特别是在处理高分辨率图像时。24GB显存可以确保大多数场景的顺利训练
- CUDA核心数:更多的CUDA核心意味着更快的训练速度,RTX 4090的16384个CUDA核心相比3090的10496个有明显优势
- 性价比:虽然4090每小时费用略高,但训练时间缩短带来的总成本可能更低
注意:AutoDL的实例是按秒计费的,建议在长时间训练时开启"竞价实例"模式,可以节省30%-50%的费用。但要注意竞价实例可能被回收,重要中间结果要及时保存。
2.2 基础环境配置
AutoDL提供了多种预装环境的镜像,对于3DGS项目,选择"PyTorch 1.12 + CUDA 11.3"的基础镜像即可。登录实例后,需要执行以下环境准备工作:
bash复制# 更新基础包
apt-get update && apt-get upgrade -y
# 安装必要依赖
apt-get install -y git cmake ninja-build build-essential libboost-program-options-dev libopencv-dev
# 创建Python虚拟环境
conda create -n 3dgs python=3.9
conda activate 3dgs
# 安装PyTorch(版本需与CUDA匹配)
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
2.3 3DGS代码库获取与编译
3DGS的官方实现托管在GitHub上,我们需要克隆代码库并进行编译:
bash复制git clone --r
