企业官网建设流程全解析

Spirula Studio 快速上手：第一次训练 3DGS 模型并导出网格

【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio

Spirula Studio 是一个自包含的 3D Gaussian Splatting 训练器：把照片或视频拖进去，它替你完成相机位姿重建、训练和网格化，产物是一个可自由视角观看的 Splat 模型和带纹理的 Mesh。全程没有 Python、PyTorch 或 COLMAP——整条流水线打包在一个 C++ 二进制里，通过 Vulkan 和 CUDA 双后端跑在 NVIDIA、AMD、Intel 乃至 Apple 的 GPU 上。

传统流程要装多少东西，这里只要装多少

跑一次 3DGS 的传统路径：搭 Python 环境、装 PyTorch、对齐 CUDA 驱动版本、再单独装 COLMAP 做位姿，光环境就可能卡掉一下午；显存还经常撑不住，换机重来。Spirula Studio 把这条链收进一个可执行文件spirula：SfM、训练、网格提取、评估全在里面，量化训练让 8GB 显存能塞下 1000 万个 SH3 Gaussian。你甚至可以在云 GPU 上只用一条 SSH 端口转发盯住整个训练。

开跑前只确认三件事

• GPU：任意厂商都行。AMD、Intel、Mac 选 Vulkan 后端；NVIDIA 想用 CUDA 也可以，两者训练与网格化功能完全一致，docs/backends.md 有差异细节。注意内置 SfM 和 AI 遮罩只随 Vulkan 构建提供，CUDA 构建默认不含。
• 获取方式：新手直接下载 Releases 里对应平台的包，解压双击打开 GUI。要自己编译（AMD / Intel 用户的推荐姿势）：

git clone https://gitcode.com/GitHub_Trending/sp/spirula-studio cd spirula-studio bash build_develop.bash -DSS_BACKEND=vulkan

Windows 用build_develop.bat -DSS_BACKEND=vulkan。脚本先跑代码生成再调 CMake + Ninja，产物在build_vulkan/spirula（macOS 在build/）。

• 素材：一个照片文件夹或一段视频就够，GoPro MAX 的.360也直接认。手里已有 COLMAP / Nerfstudio / Metashape 数据集的话，同样直接打开，docs/datasets.md 列了全部支持的目录布局。

一次跑通：从拖入素材到拿到模型 🖥️

拖入素材，生成数据集。把照片文件夹或视频直接拖到窗口里。软件按内容自动识别：照片走特征匹配与相机重建，视频先抽帧（自动挑每段窗口里最清晰的一帧），再进内置 SfM——现代特征算法如 ALIKED / LightGlue 都已内置。几分钟后屏幕上会出现稀疏点云加相机视锥，能看到重建覆盖是否完整。

选预设，开训。训练界面选一个预设：默认3dgs什么也不改；拍摄静物选centered-object，全景选360-camera。Basic Options 保持默认，只把训练步数num_iterations（默认 30000）改成 2000~3000，第一次体验够看。所有高级参数收在 All Options 里，带搜索和悬停提示。

盯视口，等它变清晰。点 Start Training 后，右侧视口实时渲染 3D Gaussian Splatting 模型——能明显看到场景从一团模糊逐渐长锐。左侧是逐条日志和 PSNR 曲线。训练进程默认同时在 7007 端口开一个 Web 查看器，浏览器打开就能看到同一画面；人在本地、模型在云 GPU 上时，ssh -L转一下端口即可。

结果落地：查看 Splat 并导出网格 🧊

训练结束后，输出目录（默认<数据集>/outputs）里有 Splat 模型（PLY 格式）、每 2000 步一个的 checkpoint，以及本次运行的config.json。

三种看法：GUI 的 Viewer打开 Splat 自由旋转，最多 4 个模型同屏对比；仓库自带的Web 查看器基于 WebGL2/WASM，浏览器里跑，不占 GPU，见 viewer/README.md；训练期间的 Web 页面则适合远程盯着进度。

要网格，一条命令：

spirula-mesh <checkpoint> --format glb --color texture

<checkpoint>可以是运行目录、step-*.ckpt或splat.ply。--format和--color（none/vertex/texture）都接受列表，同一次运行会写出全部组合——带纹理的 GLB 给人看、素 STL 送打印机，各取所需。文件直接进 Blender 或 DCC 工具。

接下来可以试三件事：用 AI 遮罩把视频里走过的路人剔掉再训；换360-camera预设处理.360全景素材；训练中断后用--resume指向 checkpoint 接着跑。

几个最常见的坑，直接给答案

显存不够怎么办？量化训练本身已经压到 8GB 能训 10M Gaussian；再省就降一档 Image resolution（对应train_resolution_divisor），或调低cap_max减少最大 Splat 数。

AMD / Intel / Mac 能训吗？能。选 Vulkan 后端即可跨厂商，macOS 走 MoltenVK，构建时 CMake 会自动拉取。

结果偏大、偏小或歪了？数据集创建模块现在会读取视频/图片里的运动遥测元数据来恢复真实比例与朝向，重新跑一次数据集创建就能修正。

人在本地，GPU 在云上？用 CLI：

spirula train --data <数据集目录>

默认附带 Web 查看器，配合ssh -L端口转发，浏览器里就能远程盯进度。

到这里，拖入照片 → 内置 SfM → 训练 → 拿到 Splat 和网格的完整闭环已经走完，中间没有装过任何 Python 环境。想再往下挖，docs/README.md 索引了架构、后端、数据集等全部文档，spirula --help则是 184 个训练字段的入口。

【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio