mirror of
https://github.com/graphdeco-inria/gaussian-splatting
synced 2025-04-10 07:45:37 +00:00
83 lines
4.8 KiB
Plaintext
83 lines
4.8 KiB
Plaintext
Running:
|
||
# Train with train/test split
|
||
python train.py --source_path <path to COLMAP or NeRF Synthetic dataset> --model_path <保存路径> --eval
|
||
python train.py --source_path ../../Dataset/3DGS_Dataset/linggongtang --model_path output/linggongtang --data_device 'cpu' --eval --resolution 1
|
||
python train.py --source_path ../../Dataset/3DGS_Dataset/xiangjiadang --model_path output/xiangjiadang --data_device 'cpu' --eval --resolution 1
|
||
|
||
--source_path / -s：COLMAP 或合成 Synthetic NeRF data set的源目录的路径。COLMAP类型包含 images/, sparse/0
|
||
--model_path / -m：训练模型的存储路径，默认为 output/<random>
|
||
--images / -i：COLMAP 图像的替代子目录，默认为 images
|
||
--eval：训练时默认使用全部图片，--eval可以在训练时按照MipNeRF360-style划分 training/test，用于 evaluation
|
||
--resolution / -r：指定训练前加载图像的分辨率。如果是 1, 2, 4 or 8 则使用原始分辨率的 1/2, 1/4 or 1/8。
|
||
对于所有其他值，会将图像宽度调整到给定数字，同时保持图像宽高比；
|
||
如果未设置并且输入图像宽度超过 1.6K 像素，则输入将宽度自动缩放到 1.6k
|
||
|
||
--data_device：指定源图像数据在训练时的放置位置，默认使用cuda，如果在大型/高分辨率数据集上进行训练，建议使用cpu，减少显存占用，但训练速度会变慢
|
||
|
||
--white_background / -w：添加此标志以使用白色背景而不是黑色（默认），用于评估 NeRF Synthetic dataset
|
||
--sh_degree：球谐函数的阶数（不大于 3），默认为 3
|
||
--convert_SHs_python：添加此标志以使用 PyTorch 而不是论文提出的pipeline计算 SH系数 的forward and backward
|
||
--convert_cov3D_python：添加此标志以使用 PyTorch 而不是论文提出的pipeline计算 3D协方差 的forward and backward
|
||
|
||
--debug：如果遇到错误，请启用调试模式。如果光栅化器失败，dump则会创建一个文件，您可以在问题中将其转发给我们，以便我们查看。
|
||
--debug_from：调试速度慢。可以指定一个迭代次数（从 0 开始），指定数字之前的迭代会是活动状态
|
||
|
||
--iterations：训练的总迭代次数，默认为 30_000
|
||
|
||
--ip：启动 GUI 服务器的 IP，默认为 127.0.0.1
|
||
--port：GUI 服务器的端口，默认为 6009
|
||
|
||
--test_iterations：训练脚本在测试集上计算 L1 和 PSNR 的分隔迭代次数，默认为 7000, 30000
|
||
--save_iterations：训练脚本保存高斯模型的分隔迭代次数，默认为 7000, 30000
|
||
--checkpoint_iterations：存储checkpoint的分隔迭代次数，以后续继续新联，保存在model directory中
|
||
--start_checkpoint：保存的checkpoint的路径，以继续训练
|
||
|
||
--quiet：此标志用于不写入任何文本到标准输出管道
|
||
|
||
--feature_lr：球谐函数的学习率，默认为 0.0025
|
||
--opacity_lr：不透明度的学习率，默认为 0.05
|
||
--scaling_lr：尺度的学习率，默认为 0.005
|
||
--rotation_lr：旋转四元数的学习率，默认为 0.001
|
||
|
||
--position_lr_max_steps：位置学习率从初始值到最终值的步数（从 0 开始），默认为 30_000
|
||
--position_lr_init：位置学习率的初始值，默认为 0.00016
|
||
--position_lr_final：位置学习率的最终值，默认为 0.0000016
|
||
--position_lr_delay_mult：位置学习率的乘数，默认为 0.01
|
||
|
||
--densify_from_iter：densification开始的迭代次数，默认为 500
|
||
--densify_until_iter：densification结束的迭代次数，默认为 15_000
|
||
--densify_grad_threshold：决定是否应基于 2D 位置梯度对点进行densification的限制，默认为0.0002
|
||
--densification_interval：densify的频率，默认为 100（每迭代100次进行1次）
|
||
|
||
--opacity_reset_interval：重置不透明度的频率，默认为 3_000
|
||
|
||
--lambda_dssim：SSIM 对总损失的影响，从 0 到 1，默认为0.2
|
||
|
||
--percent_dense：点必须超过场景范围的百分比才能强制致密， (0--1)，默认为0.01
|
||
|
||
#--------------------------------------------------------------------------
|
||
Evluation:
|
||
# Generate renderings
|
||
python render.py -m <path to trained model>
|
||
|
||
--model_path / -m：为其创建renderings的以训练模型的路径
|
||
--skip_train：跳过渲染training set
|
||
--skip_test：跳过渲染test set
|
||
--quiet：不写入任何文本到标准输出管道
|
||
|
||
以下参数会从用于训练的model path中自动读取。但可覆写它们
|
||
--source_path / -s：COLMAP 或合成 Synthetic NeRF data set的源目录的路径。
|
||
--images / -i：COLMAP 图像的替代子目录，默认为 images
|
||
--eval
|
||
--resolution / -r
|
||
--white_background / -w
|
||
--convert_SHs_python
|
||
--convert_cov3D_python
|
||
|
||
#--------------------------------------------------------------------------
|
||
# Compute error metrics on renderings
|
||
python metrics.py -m <path to trained model>
|
||
|
||
--model_paths / -m：应计算metrics的model paths的分隔列表
|
||
|