Nerfstudio 环境配置与自有数据集（图片和视频）测试全方位全流程实战【2025最新版！！】

一、引言

神经辐射场(Neural Radiance Fields，简称NeRF)是近年来计算机视觉和图形学领域的一项革命性技术，它能够从2D图像中学习复杂的3D场景表示。然而，NeRF技术的实现和应用门槛较高，需要较为专业的计算机视觉和深度学习知识。
Nerfstudio作为一个开源框架，极大地简化了NeRF技术的使用流程，使研究人员和开发者能够更轻松地构建、训练和测试NeRF模型。本文将详细介绍如何在Ubuntu 20.04和CUDA 11.8环境下配置Nerfstudio，并使用自有图片和视频数据集进行训练和测试，最终导出为点云和网格等多种格式。

二、Nerfstudio简介

Nerfstudio是由加州大学伯克利分校的研究人员开发的一个模块化NeRF开发框架，旨在提供一个更加用户友好的环境来探索NeRF技术。它的主要优势包括：

模块化设计：将NeRF的各个组件模块化，便于理解和定制
完整工作流：提供从数据采集、处理到训练、渲染的完整工作流
可视化界面：内置基于Web的3D可视化工具，支持实时交互
多种算法支持：集成了多种NeRF变体算法，如nerfacto、instant-ngp等
社区支持：活跃的开发者社区和详尽的文档
无论是初学者还是研究人员，Nerfstudio都能满足你对NeRF技术的探索需求。

三、环境配置

3.1 硬件要求

Nerfstudio需要一定的硬件配置才能正常运行：

GPU：NVIDIA GPU，显存至少8GB（推荐12GB以上）
CPU：多核处理器，至少8GB RAM（推荐16GB以上）
存储：至少50GB可用空间（数据集大小视情况而定）
本文将在以下环境中进行测试：
Ubuntu 20.04 LTS
CUDA 11.8
NVIDIA GeForce RTX 4090 GPU (24GB 显存)

3.2 软件环境准备

首先，我们需要确保系统已经安装了适当的NVIDIA驱动和CUDA 11.8。让我们检查当前的CUDA版本：

nvidia-smi

在这里插入图片描述
如果CUDA版本不是11.8，您需要安装对应版本的CUDA工具包。可以从NVIDIA官网下载CUDA 11.8安装包。
接下来，我们需要配置Python环境。Nerfstudio要求Python版本至少为3.8。我们将使用Conda创建一个独立的环境：

# 安装Miniconda（如果尚未安装）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b
source ~/miniconda3/bin/activate# 创建名为nerfstudio的环境
conda create --name nerfstudio python=3.8 -y
conda activate nerfstudio# 更新pip
pip install --upgrade pip

为了确保与CUDA 11.8兼容，我们需要安装特定版本的PyTorch：

pip install torch==2.1.2+cu118 torchvision==0.16.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

接下来，我们需要安装CUDA工具包和tiny-cuda-nn，这是NeRF实现中常用的库：

# 安装CUDA工具包
conda install -c "nvidia/label/cuda-11.8.0" cuda-toolkit -y# 安装tiny-cuda-nn
pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

3.3 Nerfstudio安装

现在，我们可以开始安装Nerfstudio。我们将从GitHub克隆最新的代码：

# 克隆Nerfstudio仓库
git clone https://github.com/nerfstudio-project/nerfstudio.git
cd nerfstudio# 安装Nerfstudio
pip install --upgrade pip setuptools
pip install -e .

此外，我们还需要安装COLMAP，这是一个用于从图像中恢复相机参数的结构运动（Structure from Motion，SfM）工具：

# 安装COLMAP依赖项
sudo apt-get update && sudo apt-get install -y \git cmake build-essential \libboost-program-options-dev \libboost-filesystem-dev \libboost-graph-dev \libboost-system-dev \libboost-test-dev \libeigen3-dev \libsuitesparse-dev \libfreeimage-dev \libgoogle-glog-dev \libgflags-dev \libglew-dev \qtbase5-dev \libqt5opengl5-dev \libcgal-dev \libcgal-qt5-dev# 克隆COLMAP仓库
git clone https://github.com/colmap/colmap.git
cd colmap
git checkout dev# 编译安装COLMAP
mkdir build
cd build
cmake ..
make -j $(nproc)
sudo make install# 返回之前的目录
cd ../..

具体内容也可也参考我之前的博客
基于NVIDIA RTX 4090的COLMAP 3.7安装指南：Ubuntu 20.04 + CUDA 11.8环境配置【2025最新版！！】

3.4 安装验证

完成安装后，我们可以运行以下命令来验证安装是否成功：

# 检查Nerfstudio是否安装成功
ns-train -h

如果安装成功，应该能看到Nerfstudio的帮助信息。
在这里插入图片描述

四、预置数据集测试

在使用自己的数据集之前，可以先使用Nerfstudio提供的预置数据集进行测试，以确保所有组件正常工作。

4.1 下载测试数据

Nerfstudio提供了多个预置数据集，我们可以使用ns-download-data命令下载这些数据集：

# 使用nerfacto模型训练poster数据集
ns-train nerfacto --data data/nerfstudio/poster

这将在当前目录下创建一个data/nerfstudio/poster目录，其中包含了poster数据集的所有图像和相机参数文件。

4.2 训练模型

现在，我们可以使用下载的数据集训练一个NeRF模型。Nerfstudio提供了多种模型实现，在此我们选择nerfacto，这是一个性能较好的通用模型：

# 使用nerfacto模型训练poster数据集
ns-train nerfacto --data data/nerfstudio/poster

在训练过程中，终端会显示训练进度、损失值等信息。训练通常需要数小时到数天不等，具体取决于数据集大小、选择的模型和硬件配置。默认情况下，训练结果会保存在outputs目录下，目录名为训练开始的时间戳。
如果一切正常，你应该会看到如下所示的训练进度：
在这里插入图片描述

4.3 可视化结果

Nerfstudio提供了一个基于Web的可视化工具，可以实时查看训练进度和结果。在训练开始后，终端会输出一个本地Web服务器地址，通常是http://localhost:7007。您可以在浏览器中打开这个地址来查看训练进度和实时渲染结果。
如果您是在远程服务器上运行Nerfstudio，需要进行端口转发才能访问可视化工具：

# 本地端口转发（在本地终端中运行）
ssh -L 7007:localhost:7007 <username>@<server-ip>

然后，在本地浏览器中访问http://localhost:7007。

在这里插入图片描述

五、自有图片数据集处理

现在，可以尝试使用自己的图片数据集来训练NeRF模型。

5.1 拍摄建议

拍摄用于NeRF的图像需要遵循一些建议，以确保能够获得良好的重建结果：

拍摄角度：从不同角度拍摄物体，覆盖尽可能多的视角
重叠度：相邻图像之间应有足够的重叠（约60-80%）
光照条件：保持一致的光照条件，避免强烈的阴影或高光
物体静止：确保场景中的物体保持静止
数量：通常需要30-100张图像，具体取决于场景复杂度
清晰度：避免模糊的图像，使用三脚架或高速快门

5.2 数据准备

首先，我们需要创建一个目录来存放我们的图像数据：

# 创建目录
mkdir -p data/custom/input

然后，将你的图像复制到这个目录中：

# 假设您的图像在~/my_images目录下
cp ~/my_images/*.jpg data/custom/input/

5.3 数据处理

接下来，我们需要使用ns-process-data命令处理这些图像，以便Nerfstudio能够使用它们：

# 处理图像数据集
ns-process-data images \--data data/custom/images \--output-dir data/custom/processed_images

此命令将使用COLMAP估计图像的相机参数，并生成Nerfstudio所需的格式。处理过程可能需要一些时间，具体取决于图像数量和计算机性能。
如果你的图像具有特殊特性（如全景图像），可以使用其他参数：

# 处理全景图像
ns-process-data images \--data data/custom/images \--output-dir data/custom/processed_images \--camera-type equirectangular

如果COLMAP处理失败，可以尝试使用不同的特征提取和匹配参数：

# 使用更全面的特征匹配方法
ns-process-data images \--data data/custom/images \--output-dir data/custom/processed_images \--matching-method exhaustive \--feature-type sift \--verbose

5.4 训练自定义数据集

处理完成后，我们可以使用处理好的数据集训练NeRF模型：

# 使用nerfacto模型训练自定义数据集
ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images

你可以根据需要调整训练参数，如学习率、批量大小等：

# 使用更高的学习率和更多的训练步数
ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_high_lr \--optimizers.fields.optimizer.lr 1e-2 \--optimizers.fields.scheduler.max-steps 30000

如果你的GPU显存较小，可以减少批量大小：

# 减小批量大小
ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_small_batch \--pipeline.datamanager.train-num-rays-per-batch 1024

六、自有视频数据集处理

除了图像，我们还可以使用视频作为数据源来训练NeRF模型。

6.1 视频拍摄建议

拍摄用于NeRF的视频也需要遵循一些建议：

相机移动：缓慢移动相机，避免剧烈抖动
场景覆盖：尽量围绕物体一圈，从不同角度拍摄
光照条件：保持一致的光照
帧率：使用较高的帧率（至少30fps）
分辨率：使用较高的分辨率（至少1080p）
持续时间：视频长度约为30-60秒

6.2 视频数据准备

首先，创建一个目录来存放视频数据：

# 创建目录
mkdir -p data/custom/video

然后，将你的视频复制到这个目录中：

# 假设您的视频在~/my_video.mp4
cp ~/my_video.mp4 data/custom/video/

6.3 视频数据处理

接下来，我们使用ns-process-data命令处理视频数据：

# 处理视频数据集
ns-process-data video \--data data/custom/video/my_video.mp4 \--output-dir data/custom/processed_video

此命令将视频分解为帧，并使用COLMAP估计相机参数。默认情况下，它会提取约300帧，您可以通过参数调整帧数：

# 提取更多帧
ns-process-data video \--data data/custom/video/my_video.mp4 \--output-dir data/custom/processed_video \--num-frames-target 500

如果你的视频具有特殊特性（如全景视频），可以使用相应的参数：

# 处理全景视频
ns-process-data video \--data data/custom/video/my_video.mp4 \--output-dir data/custom/processed_video \--camera-type equirectangular

6.4 训练自定义视频数据集

处理完成后，我们可以使用处理好的视频数据集训练NeRF模型：

# 使用nerfacto模型训练自定义视频数据集
ns-train nerfacto \--data data/custom/processed_video \--experiment-name custom_video

由于视频帧之间的变化通常较小，我们可以使用顺序采样来提高训练效率：

# 使用顺序采样
ns-train nerfacto \--data data/custom/processed_video \--experiment-name custom_video_sequential \--pipeline.datamanager.train-num-images-to-sample-from 25

七、训练失败排查

如果你在训练过程中遇到问题，这里有一些常见的故障排除方法：

（1）CUDA内存不足：

CUDA out of memory

解决方法：减小批量大小或模型复杂度

	ns-train nerfacto \--data data/custom/processed_images \--pipeline.datamanager.train-num-rays-per-batch 1024 \--pipeline.model.num-proposal-samples-per-ray 64

（2）COLMAP失败：

COLMAP failed to reconstruct the scene

解决方法：尝试使用不同的特征提取和匹配参数

	ns-process-data images \--data data/custom/images \--output-dir data/custom/processed_images \--matching-method exhaustive \--feature-type sift \--colmap-gpu True

（3）训练不收敛：

如果模型训练不收敛，可以尝试调整学习率或使用不同的优化器：

	ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_adam \--optimizers.fields.optimizer.type Adam \--optimizers.fields.optimizer.lr 5e-4

八、模型优化技巧

以下是一些优化NeRF模型性能的技巧：

（1）使用相机优化：

允许模型微调相机参数可以提高重建质量：

	ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_camera_opt \--pipeline.model.camera-optimizer.mode SO3xR3

（2）调整网络架构：

尝试不同的网络大小和复杂度：

	ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_large_net \--pipeline.model.field-network.num-layers 8 \--pipeline.model.field-network.hidden-dim 256

（3）尝试不同的模型：

Nerfstudio提供了多种模型实现，如instant-ngp（速度更快）、vanilla-nerf（原始实现）等：ns-train instant-ngp \--data data/custom/processed_images \--experiment-name custom_images_instant_ngp

九、性能调优

以下是一些提高训练和渲染速度的技巧：

（1）使用混合精度训练：

	ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_mixed_precision \--mixed-precision True

（2）减少评估频率：

	ns-train nerfacto \--data data/custom/processed_images \--experiment-name custom_images_less_eval \--pipeline.datamanager.eval-num-rays-per-chunk 1024 \--steps-per-eval 500

（3）使用更高效的模型：

	ns-train instant-ngp \--data data/custom/processed_images \--experiment-name custom_images_instant_ngp

七、总结

在本文中，我们详细介绍了如何在Ubuntu 20.04和CUDA 11.8环境下配置Nerfstudio，并使用自有图片和视频数据集进行训练和测试，通过Nerfstudio，我们可以轻松地将2D图像转换为3D模型，并生成新视角的渲染效果。这一技术在虚拟现实、增强现实、游戏开发、建筑可视化等领域都有广泛的应用。