1. 环境准备Windows本地与Colab双平台配置搞3DGS项目最头疼的就是环境配置我在Windows和Colab上都踩过不少坑。先说Windows本地环境你需要准备三样东西Anaconda、CUDA和COLMAP。Anaconda建议装最新版创建虚拟环境时python版本选3.8-3.10之间最稳。CUDA版本要和你的显卡驱动匹配比如RTX 30系显卡建议CUDA 11.7以上。我遇到过CUDA 12.0和某些库不兼容的情况后来降到11.8就解决了。Colab的环境相对简单但有两个隐藏坑点一是默认的CUDA版本可能不匹配二是存储空间容易爆。建议在Colab开头先运行这段代码检查环境!nvidia-smi !python --version !pip list | grep torchWindows本地配置时COLMAP的安装最容易出问题。官方文档说可以直接用二进制包但我实测发现用源码编译的版本对多相机支持更好。编译时记得勾选CUDA加速选项否则特征提取速度会慢10倍不止。有个细节COLMAP安装路径不要带中文或空格否则后期调用时可能报神秘错误。2. 数据预处理从图片到3D稀疏点云拿到一组物体照片后千万别直接扔给COLMAP。我建议先用ExifTool清理元数据否则可能遇到方向识别错误。照片命名也有讲究最好用连续数字如IMG_001.jpg这样后续匹配效率更高。手动跑COLMAP重建时90%的失败都出在特征匹配环节。我的经验是室内场景用SequentialVocabTree模式室外大场景用ExhaustiveGPU加速遇到匹配失败时把max_error从默认4.0调到6.0重建完成后关键是要检查sparse文件夹里的三个.bin文件。有次我卡在训练报错两小时最后发现是images.bin文件损坏。可以用COLMAP的model_analyzer工具验证文件完整性colap model_analyzer --path ./sparse/03. 图像去畸变最容易忽略的关键步骤很多教程跳过了undistort这步直接训练结果渲染出来全是扭曲的。3DGS对图像几何特性非常敏感必须用convert.py做精确校正。这里有个隐藏参数--resolution可以控制输出图像尺寸建议设为原图的0.5-0.8倍以平衡质量与速度。我整理了个快速检查清单确认sparse/0目录结构正确检查images文件夹命名无特殊字符验证相机模型是PINHOLE或SIMPLE_RADIAL确保磁盘剩余空间大于原始数据3倍遇到内存不足报错时可以分批次处理python convert.py -s $FOLDER_PATH --skip_matching --max_threads 44. 模型训练参数调优实战心得训练命令虽然简单但参数组合直接影响效果。经过20次实验我总结出这些经验小物体1m³用默认参数即可大场景需要调高--iterations到50000遇到模糊可以尝试--lambda_dssim0.2VRAM不足时降低--num_pts500000Colab上训练要特别注意# 必须添加这个参数防止断连 from IPython.display import display, HTML display(HTML(scriptJupyter.notebook.kernel.keepalive();/script)) # 训练命令要带--quiet避免输出爆内存 !python train.py -s $FOLDER_PATH -m ./output --quiet5. 可视化让3D高斯真正活起来官方viewer在Windows上有几个坑需要安装VC 2019运行时路径不能有中文窗口卡顿时按F11切全屏我更喜欢用CloudCompare做后期检查导入point_cloud.ply按Alt3显示法线用剪刀工具修剪离群点Colab上可以用py3dviewer快速预览!pip install py3dviewer from py3dviewer import Viewer v Viewer() v.load_ply(output/point_cloud.ply) v.show()6. 性能优化速度提升300%的秘诀在GTX 1660上跑完7万次迭代要18小时经过优化现在只要6小时改用--eval模式跳过验证集设置--save_iterations1000,30000,70000启用--pre_load把数据缓存到内存修改gaussian_model.py里的sh_degree2Colab的终极加速方案# 切换到T4 GPU运行时 # 挂载Google Drive缓存数据 from google.colab import drive drive.mount(/content/drive) # 使用混合精度训练 !python train.py -s $FOLDER_PATH --fp167. 常见报错与解决方案我遇到最棘手的三个错误及解决方法报错1CUDA out of memory降低--num_pts参数添加--reduce_pt选项在train.py开头加torch.cuda.empty_cache()报错2COLMAP重建失败检查照片是否有足够重叠区域尝试调整--first_octave-1用--Mapper.ba_refine_focal_length0关闭焦距优化报错3渲染出现黑洞检查相机参数是否正确重新运行convert.py添加--force_cuda在viewer里按R键重置渲染器