【3DGS实战】Ubuntu20.04一站式部署：从源码编译到实时渲染可视化

1. 环境准备：Ubuntu20.04基础配置

在开始3D Gaussian Splatting的部署之前，我们需要确保系统环境满足基本要求。Ubuntu20.04作为长期支持版本，其稳定性和兼容性都非常适合这类图形计算任务。我建议先执行系统更新，这能避免很多后期可能遇到的依赖冲突问题：

sudo apt update && sudo apt upgrade -y

接下来是显卡驱动的安装。如果你使用的是NVIDIA显卡，务必确认驱动版本与CUDA的兼容性。我在实际项目中遇到过驱动版本不匹配导致CUDA无法正常工作的情况，可以通过以下命令检查当前驱动版本：

nvidia-smi

重要提示：建议通过系统自带的"软件和更新"工具安装推荐版本的驱动，这种方式最不容易出错。手动安装驱动虽然可行，但容易引发图形界面崩溃等问题，特别是对Linux新手来说风险较大。

2. CUDA与编译工具链安装

2.1 CUDA 11.8安装详解

官方明确建议使用CUDA 11.8版本，低于此版本可能会遇到兼容性问题。安装过程需要注意几个关键点：

1. 下载.run格式的本地安装包，网络安装方式经常因为网络问题中断
2. 安装时记得取消勾选驱动安装选项（除非你确定需要更新驱动）
3. 安装完成后必须正确配置环境变量

具体安装命令如下：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run

环境变量配置是很多人容易忽略的一步。我习惯在~/.bashrc中添加以下内容：

export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

2.2 编译工具升级

3DGS对gcc和cmake版本有较高要求。Ubuntu20.04默认的gcc-9可以满足需求，但cmake需要手动升级到3.24以上版本。这里分享一个实用技巧：使用预编译的cmake包可以省去编译时间：

wget https://cmake.org/files/v3.25/cmake-3.25.0-linux-x86_64.tar.gz tar -zxvf cmake-3.25.0-linux-x86_64.tar.gz sudo mv cmake-3.25.0-linux-x86_64 /opt/cmake-3.25.0 sudo ln -sf /opt/cmake-3.25.0/bin/* /usr/bin/

3. 3DGS源码获取与环境配置

3.1 源码克隆注意事项

官方仓库包含多个子模块，克隆时必须加上--recursive参数，否则后续编译会失败：

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

我在第一次尝试时漏掉了这个参数，结果在编译可视化工具时各种报错，不得不重新克隆仓库。这个小细节可以节省你至少半小时的排错时间。

3.2 Conda环境创建

项目提供的environment.yml文件已经包含了所有必要的Python依赖。创建环境时建议先检查conda的版本，过旧的conda可能无法正确解析环境文件：

conda env create --file environment.yml conda activate gaussian_splatting

如果遇到依赖冲突，可以尝试先创建一个基础Python环境，再手动安装requirements.txt中的包。这种方法虽然麻烦些，但能更灵活地解决版本冲突问题。

4. 关键依赖项安装指南

4.1 Eigen3的特殊处理

Eigen库的版本管理是个头疼的问题。3DGS需要较新的Eigen3.4.0，但系统中其他组件可能依赖旧版本。我的经验是：先尝试不升级Eigen，如果编译报错再单独安装新版本到自定义路径：

wget https://gitlab.com/libeigen/eigen/-/archive/3.4.0/eigen-3.4.0.zip unzip eigen-3.4.0 cd eigen-3.4.0 && mkdir build && cd build cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local/eigen-3.4.0 make && sudo make install

这样安装不会覆盖系统默认的Eigen，需要时可以通过CMake参数指定Eigen路径。

4.2 OpenCV编译优化

OpenCV编译是个耗时的工作，合理设置参数可以显著加快速度：

cmake -D WITH_CUDA=ON \ -D WITH_CUDNN=ON \ -D OPENCV_DNN_CUDA=ON \ -D CUDA_ARCH_BIN=8.6 \ -D WITH_TBB=ON \ -D WITH_EIGEN=ON \ -D OPENCV_GENERATE_PKGCONFIG=ON \ -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules \ -D OPENCV_ENABLE_NONFREE=ON ..

关键参数说明：

• CUDA_ARCH_BIN需要根据你的显卡计算能力设置
• 使用-j参数并行编译可以大幅缩短时间（如make -j$(nproc)）
• 安装完成后务必配置pkg-config路径

5. 模型训练与可视化实战

5.1 数据集准备与训练技巧

官方提供的示例数据集已经过预处理，可以直接用于训练。建议先从小数据集开始验证环境是否正确配置：

python train.py -s data/truck/ -m data/truck/output

训练过程中有几个关键指标需要关注：

• PSNR值：反映重建质量，通常随着训练轮数增加而提升
• 迭代时间：正常情况下应该在毫秒级别
• 显存占用：如果爆显存需要调小batch size

5.2 可视化工具部署

SIBR_viewers的编译需要注意Ubuntu版本差异。对于20.04用户，必须切换分支：

cd SIBR_viewers git checkout fossa_compatibility

编译时遇到问题大多是依赖缺失导致的。建议先安装以下常用依赖：

sudo apt install -y libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev

编译成功后，可以通过以下命令启动可视化界面：

./SIBR_gaussianViewer_app -m /path/to/output

6. 常见问题排查手册

在实际部署过程中，我遇到过各种奇怪的问题。这里分享几个典型问题的解决方案：

问题1：CUDA error: no kernel image is available for execution

• 原因：CUDA架构不匹配
• 解决：检查CUDA_ARCH_BIN参数是否与显卡计算能力匹配

问题2：Eigen版本冲突

• 现象：编译时报错提示Eigen版本不兼容
• 解决：通过设置CMAKE_PREFIX_PATH指定正确的Eigen路径

问题3：可视化界面闪退

• 可能原因：OpenGL驱动问题
• 排查步骤：
  1. 检查glxinfo | grep OpenGL输出是否正常
  2. 尝试使用MESA_GL_VERSION_OVERRIDE环境变量

问题4：训练过程中显存不足

• 解决方案：
  1. 减小batch size
  2. 使用--resolution参数降低输入分辨率
  3. 尝试--num_iterations减少迭代次数

7. 性能优化建议

经过多次实践，我总结出几个提升3DGS运行效率的技巧：

1. 编译器优化：在CMake配置中添加-DCMAKE_BUILD_TYPE=Release和适当的-march=native参数
2. 并行编译：使用make -j$(nproc)充分利用多核CPU
3. 数据预处理：将数据集放在SSD上可以显著加快加载速度
4. CUDA配置：适当调整CUDA的block和grid大小可以获得更好的并行效果
5. 内存管理：定期监控nvidia-smi的输出，及时发现内存泄漏问题

对于需要长期训练的场景，建议使用tmux或screen保持会话，避免网络中断导致训练失败。另外，训练过程中定期保存checkpoint也是个好习惯，可以防止意外中断导致前功尽弃。