参考：

• 【深度学习】【三维重建】windows11环境配置tiny-cuda-nn详细教程
• nerfstudio介绍及在windows上的配置、使用
• NeRFStudio官网github
• RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory原因及解决

requirements

cuda 11.8（11.5以上）
conda
python 3.8 （>=3.8 ）
cmake
visual studio 2019/2022

一、创建环境

anaconda prompt中创建conda环境：

conda create --name nerfstudio -y python=3.8
conda activate nerfstudio
pip install --upgrade pip

二、安装依赖

1.安装pytorch

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

2.安装tiny-cuda-nn

按照官方文档上的方法执行会报错，找了一个教程安装：https://blog.csdn.net/yangyu0515/article/details/131959907#comments_29299437 照着这个教程的【直接下载（推荐）】那里开始安装就可以了。

3.安装nerfstudio

简单的选择：

pip install nerfstudio

或者，如果您想要最新和最好的：

git clone https://github.com/nerfstudio-project/nerfstudio.git
cd nerfstudio
pip install --upgrade pip setuptools
pip install -e .

三、训练模型

1. 下载kitchen测试集，解压缩，并将其拷贝到nerfstudio的data/nerfstudio目录下，data/nerfstudio需自己创建;https://drive.google.com/drive/folders/19TV6kdVGcmg3cGZ1bNIUnBBMD-iQjRbG
   官网也提供了下载模型的方法：

   # Download some test data:
   ns-download-data nerfstudio --capture-name=poster
   # Train model
   ns-train nerfacto --data data/nerfstudio/poster# Train model
   ns-train nerfacto --data data/nerfstudio/poster`
   

2. kitchen目录下已有transforms.json,若是自己拍摄的图像序列如lego，则执行如下命令生成transforms.json：

ns-process-data images --data data/nerfstudio/lego/train --output-dir data/nerfstudio/lego --camera-type perspective --matching-method exhaustive --sfm-tool colmap --crop-factor 0.0 0.0 0.0 0.0

3. 执行如下命令进行训练：迭代产生的checkpoint存储在outputs/kitchen/nerfacto目录下

ns-train nerfacto --data data/nerfstudio/kitchen --vis viewer --max-num-iterations 50000

在第一次执行训练命令的时候我报错了：PytorchStreamReader failed reading zip archive: failed finding central ，解决方法如下：我估计是因为之前网络不好啥的导致下载的权重文件有点问题，所以找到 C:\Users\Administrator.cache\torch\hub\checkpoints\alexnet-owt-7be5be79.pth 将其删除。重新执行后问题解决。

训练进度如下图所示：

可视化效果：

四、加载预训练模型

可以加载预训练模型，如下命令所示：这将自动开始继续训练 ：

ns-train nerfacto --data data/nerfstudio/kitchen --load-dir outputs/kitchen/nerfacto/2024-01-02_164443/nerfstudio_models

可以加载预训练模型进行可视化查看：

ns-viewer --load-config outputs/kitchen/nerfacto/2024-01-02_174829/config.yml

每个命令都有很多参数，可以通过–help查看具体支持哪些参数及参数的用处，如：

ns-render --help
ns-train --help
ns-train nerfacto --help

五、导出结果

获得 NeRF 模型后，您可以渲染视频或导出点云。

1.渲染视频

导出方法如图：

执行代码：

ns-render camera-path --load-config outputs\kitchen\nerfacto\2024-01-02_174829/config.yml --camera-path-filename data\nerfstudio\kitchen/camera_paths/2024-01-02_174829.json --output-path renders/data\nerfstudio\kitchen/2024-01-02_174829.mp4

渲染视频：

2.生成点云

在可视化web上面我们可以选择导出点云的配置，并复制command进行导出：

ns-export pointcloud --load-config outputs\kitchen\nerfacto\2024-01-02_174829/config.yml --output-dir exports/pcd/ --num-points 1000000 --remove-outliers True --normal-method open3d --use-bounding-box True --bounding-box-min -1 -1 -1 --bounding-box-max 1 1 1

3.生成网格

在可视化web上面我们可以选择导出网格的配置，并复制command进行导出：

ns-export poisson --load-config outputs\kitchen\nerfacto\2024-01-02_174829/config.yml --output-dir exports/mesh/ --target-num-faces 50000 --num-pixels-per-side 2048 --normal-method open3d --num-points 1000000 --remove-outliers True --use-bounding-box True --bounding-box-min -1 -1 -1 --bounding-box-max 1 1 1

导出后在exports\mesh中有四个文件：

MTL文件是一种包含材质定义的文件格式，通常用于与3D模型文件一起使用。MTL是英文Material Library的缩写，它存储了模型的材质信息，包括颜色、纹理、光照等属性。

4.对比一下

对比一下ply和mesh里点云的区别：可以看到ply里面是没有面数据的……