Docker 环境下 3D Guassian Splatting 的编译和配置

Title: Docker 环境下 3D Guassian Splatting 的编译和配置

文章目录

• 前言
• I. 宿主系统上的安装配置
• • 1. 安装 nvidia driver
  • 2. 安装 docker
  • 3. 安装 nvidia-container-toolkit
  • II. Docker 容器安装配置
  • • 1. 拉取 ubuntu 22.04
    • 2. 创建容器
    • 3. 进入容器
    • 4. 容器中安装 cuda SDK
    • 5. 容器中安装 miniforge 3
    • 6. 安装 cmake
    • III. 编译与测试 GS
    • • 1. 虚拟环境配置
      • 2. 训练与评估
      • 3. 编译安装 SIBR_gaussianViewer
      • 小结

        ---

        前言

        3D Guassian Splatting 很火, 也想看一下.

        下面简单记录一下 Docker 环境下编译和配置 3D Guassian Splatting (下面简称 GS) 的过程.

        GS 开源代码地址 https://github.com/graphdeco-inria/gaussian-splatting?tab=readme-ov-file.

        ---

        I. 宿主系统上的安装配置

        宿主系统 (主机系统) :

        ~$ lsb_release -aNo LSB modules are available.Distributor ID:UbuntuDescription:Ubuntu 20.04.6 LTSRelease:20.04Codename:focal

        显卡:

        ~$ lspci|grep -i vga0000:73:00.0 VGA compatible controller: NVIDIA Corporation Device 2204 (rev a1)0000:d5:00.0 VGA compatible controller: NVIDIA Corporation Device 2204 (rev a1)

        宿主系统上安装 nvidia 驱动等主要是以下三步, 我在其他代码安装时已经处理好了 (没有记录). 网友分享非常多, 参照各类博文步骤处理就行.

        1. 安装 nvidia driver

        2. 安装 docker

        3. 安装 nvidia-container-toolkit

        sudo apt-get install nvidia-container-toolkit

        ---

        II. Docker 容器安装配置

        1. 拉取 ubuntu 22.04

        docker pull ubuntu:jammy

        2. 创建容器

        docker run -it  -d -p 8888:8888 -p 6006:6006 -p 8022:22 \--gpus all \--ipc=host \--name gaussian_splatting -v /home/robot/working_space/python/pytorch:/workspace \--workdir=/workspace \-e DISPLAY=unix$DISPLAY -v /tmp/.X11-unix:/tmp/.X11-unix:rw -e NVIDIA_DRIVER_CAPABILITIES=all\ubuntu:jammy  /bin/bash

        其中

        -i , --interactive —— Keep STDIN open even if not attached.

        -t, --tty —— Allocate a pseudo-TTY.

        -it 表示创建一个交互式的容器 -i, 并绑定一个伪终端 -t.

        -d —— Run container in background and print container ID.

        -p —— Publish a container’s port(s) to the host.

        将容器内部的端口映射到宿主机的端口上, 从而使得外部网络可以通过宿主主机的 IP 地址和端口访问容器内的应用程序. 映射规则由两个端口号组成, 中间用冒号分隔,[第一个端口号是宿主主机的端口号:第二个端口号是容器内部的端口号]. 这三个端口映射配置并非安装 GS 所必须, 这里配置是为了容器中运行 jupyter 设置的 (其他目的, 故可按照需求删除 -p 8888:8888 -p 6006:6006 -p 8022:22).

        --gpus 安装 nvidia-container-toolkit 引入的配置参数, 将 GPU 设备分配给容器, 使容器能使用 GPU 进行计算, all 参数将所有 GPU 设备分配给容器.

        -ipc —— IPC mode to use.

        默认情况下容器使用相互隔离的进程间通讯, 而参数 host 使得容器可以与主机上的进程直接进行进程间通信.

        --name string —— Assign a name to the container.

        -v —— Bind mount a volume, 将主机系统上的 /home/robot/working_space/python/pytorch 路径 (改成自己的路径) 挂载到容器的 /workspace 路径 (改成自己的路径), 方便容器和主机之间共享数据.

        --workdir string —— Working directory inside the container.

        -e, --env list —— Set environment variables.

        -e DISPLAY=unix$DISPLAY 修改环境变量 DISPLAY.

        -v /tmp/.X11-unix:/tmp/.X11-unix:rw 表示共享本地unix端口, docker 可以知道本地宿主机上安装的 X11 界面服务.

        Unix/Linux 的主流图形界面服务为 X11, 该图形显示方式实际上是一种 client/server 模式, 在服务端和客户端之间 X11通过 DISPLAY 环境变量来指定将图形显示到何处. 后面的参数就是将主机上 X11的 unix 套接字共享到了容器里面, 每个 unix 套接字实际上就是系统 /tmp/.X11-unix 目录下面的一个特殊文件.

        -e NVIDIA_DRIVER_CAPABILITIES=all 设置显示环境变量. The NVIDIA_DRIVER_CAPABILITIES controls which driver libraries/binaries will be mounted inside the container. The possible values of the NVIDIA_DRIVER_CAPABILITIES variable are: compute, video, graphics, utility, or all. 其中 all 参数enable all available driver capabilities. 也就是说, --gpus 是分配哪几块 GPU 给容器, 而 NVIDIA_DRIVER_CAPABILITIES 是分配到的 GPU 发挥哪些能力. (详细信息 NVIDIA Container Toolkit User Guide 或 Specialized Configurations with Docker)

        ubuntu:jammy 为 IMAGE 镜像.

        /bin/bash 表示载入容器后运行 bash, docker 中必须要保持一个进程的运行, 不然容器启动后马上 “执行完毕后容器被终止”.

        (可参考docker run的配置参数详解、Docker 环境下运行 Fast_LIO 进行三维建模的前/后处理设置)

        3. 进入容器

        A. 进入容器

        docker ps -adocker start gaussian_splattingdocker attach gaussian_splatting

        B. 查看容器中操作系统的版本

        /workspace# cat /etc/lsb-releaseDISTRIB_ID=UbuntuDISTRIB_RELEASE=22.04DISTRIB_CODENAME=jammyDISTRIB_DESCRIPTION="Ubuntu 22.04.4 LTS"

        C. 查看容器中 nvidia driver, 确认容器中能够访问 nvidia 驱动

        D. 容器中系统更换国内源, 比如 sources.list 中增加对应ubuntu版本的清华源、阿里源、中科大源等

        E. 容器中测试一下 X11 Display, 为后面 SIBR_gaussianViewer 的运行做准备

        apt-get install x11-appsxclock

        4. 容器中安装 cuda SDK

        之前安装 nvidia 驱动已经包含了 cuda driver. 但这不是完整的开发环境, 没有包含编译器等工具. 我们参考 Docker 镜像 中 Cuda 安装 来进行下面步骤.

        A. 下载 CUDA Toolkit 11.8

        地址: https://developer.nvidia.com/cuda-toolkit-archive

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

        B. 安装依赖

        apt-get install gcc g++ freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libglu1-mesa libglu1-mesa-dev

        C. 安装 cuda

        sh cuda_11.8.0_520.61.05_linux.run

        D. 容器中设置环境变量

        在 /root/.bashrc 文件尾添加:

        export PATH=/usr/local/cuda-11.8/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

        E. 启用新环境

        source ~/.bashrc

        F. 安装验证

        /workspace# nvcc -Vnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2022 NVIDIA CorporationBuilt on Wed_Sep_21_10:33:58_PDT_2022Cuda compilation tools, release 11.8, V11.8.89Build cuda_11.8.r11.8/compiler.31833905_0

        5. 容器中安装 miniforge 3

        A. 下载

        https://conda-forge.org/download/

        B. 安装

        bash Miniforge3-Linux-x86_64.sh

        在安装中间步骤中修改了安装位置 /workspace/miniforge3 (改或不改都可).

        C. 在 .bashrc 中添加系统环境变量

        export PATH=/workspace/miniforge3/bin:$PATH

        source ~/.bashrc

        E. 激活默认 conda 虚拟环境

        conda init bashsource ~/.bashrc

        6. 安装 cmake

        A. 下载 cmake 源码

        从 https://cmake.org/download/#older 下载 cmake-3.28.5.tar.gz

        B. 安装依赖

        apt-get install libssl-dev

        C. 运行构建工具

        使用 tar -zxvf 解压后运行

        cd cmake-3.28.5./bootstrap

        D. 编译和安装

        make install -j2

        III. 编译与测试 GS

        1. 虚拟环境配置

        A. 源代码 Clone

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

        B. 创建 GS 的虚拟环境

        cd /workspace/gaussian-splatting/conda env create --file environment.ymlconda activate gaussian_splatting

        C. 查看 conda 虚拟环境

        /workspace/gaussian-splatting# conda info --envs# conda environments:#base                     /workspace/miniforge3gaussian_splatting    *  /workspace/miniforge3/envs/gaussian_splatting

        D. 设置容器开机默认虚拟环境

        将 GS 的虚拟环境设置为该容器开机默认进入的 conda 虚拟环境, 需在 ~/.bashrc 中设置

        conda activate gaussian_splatting

        source ~/.bashrc

        2. 训练与评估

        A. 训练测试

        python train.py -s ../GaussianSplatting_dataset/tandt_db/tandt/truck/ -m ../GaussianSplatting_dataset/truck/output/

        B. 评估测试

        python train.py -s ../GaussianSplatting_dataset/tandt_db/tandt/truck/ --eval# Output folder: ./output/bba0c333-0python render.py -m ./output/bba0c333-0/python metrics.py -m ./output/bba0c333-0/

        C. 问题处理

        运行 metrics.py 时遇到 “Unable to compute metrics for model” 错误, 需要安装依赖 torchmetrics

        (参考 https://github.com/graphdeco-inria/gaussian-splatting/issues/481)

        conda install torchmetrics

        如果还是有问题, 请检查网络, 因为第一次运行时需要下载 vgg.pth.

        Downloading: "https://raw.githubusercontent.com/richzhang/PerceptualSimilarity/master/lpips/weights/v0.1/vgg.pth" to /root/.cache/torch/hub/checkpoints/vgg.pth

        3. 编译安装 SIBR_gaussianViewer

        A. 安装依赖

        apt install libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev libavdevice-dev libavcodec-dev libeigen3-dev libxxf86vm-dev libembree-devapt install git

        B. 编译 Viewer

        cmake -Bbuild . -DCMAKE_BUILD_TYPE=Releasecmake --build build -j2 --target install

        C. 测试 Viewer

        cd ./install/bin./SIBR_gaussianViewer_app -m /workspace/GaussianSplatting_dataset/truck/output/

        小结

        这样安装配置完毕了.

        注意一下网络是否通畅, 因为要自动下载好多依赖库.