landmark软件安装
软件: landmark
LandMark软件安装指南（开源项目版）
LandMark是一款基于GridNeRF技术的开源大规模城市场景三维建模与渲染项目，支持高效训练与4K分辨率渲染。以下是其详细安装步骤：
1. 准备工作
系统要求：支持CUDA的Linux（推荐Ubuntu 20.04+或CentOS 7+）或Windows 10/11系统；
硬件要求：NVIDIA GPU（显存≥8GB，如A6000、3090等），已安装对应版本的CUDA Toolkit（如CUDA 11.6）；
软件工具：Conda（环境管理）、Git（代码克隆）、Python 3.9.16（项目指定版本）；
其他：确保系统网络畅通，关闭不必要的防火墙或杀毒软件。
2. 克隆项目代码
打开终端（Linux）或命令提示符（Windows），执行以下命令克隆LandMark项目仓库：
git clone https://github.com/InternLandMark/LandMark.git
cd LandMark
这一步将下载项目所有源代码至本地LandMark目录。
3. 创建并激活Conda虚拟环境
为避免依赖冲突，建议使用Conda创建独立虚拟环境：
conda create --name landmark -y python=3.9.16 创建名为"landmark"的环境，指定Python版本
conda activate landmark 激活环境（后续操作需在激活状态下进行）
激活后，终端提示符会显示(landmark)前缀。
4. 安装PyTorch与CUDA工具包
LandMark依赖PyTorch的CUDA加速版本，需通过以下命令安装（以CUDA 11.6为例）：
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu
此命令会自动安装适配CUDA 11.6的PyTorch及配套工具包。
5. 安装项目依赖
进入项目根目录，通过requirements.txt文件安装所有Python依赖：
pip install -r requirements.txt
该步骤会安装numpy、opencv-python、tqdm等必要库，确保项目正常运行。
6. 准备数据集
LandMark支持自定义数据集，需按照以下结构组织图像与位姿文件（以MatrixCity小城数据集为例）：
your_dataset/
├── images/ 存放训练/测试图像（至少250-300张，需有重叠区域）
│ ├── image_0.png
│ ├── image_1.png
│ └── ...
├── transforms_train.json 训练集相机位姿与内参文件
└── transforms_test.json 测试集相机位姿与内参文件
若使用COLMAP提取的位姿数据，需通过项目提供的工具转换为NeRF格式：
python app/tools/colmap2nerf.py --recon_dir data/your_dataset/sparse/0 --output_dir data/your_dataset
此命令会将COLMAP输出的稀疏点云与位姿转换为LandMark可读取的格式。
7. 配置实验参数
修改项目配置文件（如confs/matrixcity/matrixcity_2block_multi.txt），调整以下关键参数：
dataroot：数据集根目录路径（如YOUR_MATRIXCITY_FOLDER_PATH/small_city/aerial/pose）；
datadir：数据集子目录（如block_A）；
dataset_name：数据集名称（如matrixcity）；
batch_size：批量大小（根据GPU显存调整，如8、16）；
num_epochs：训练轮次（如100）。
8. 开始训练与渲染
训练模型：执行以下命令启动训练（单GPU）：
python app/trainer.py --config confs/matrixcity/matrixcity_2block_multi.txt
若使用多GPU加速（如4块A6000），需添加分布式训练参数：
python -m torch.distributed.launch --nproc_per_node=4 app/trainer.py --config confs/matrixcity/matrixcity_2block_multi.txt
训练过程中，模型检查点（.th文件）会保存至log/your_expname/目录。
渲染图像：训练完成后，执行以下命令进行渲染（单GPU）：
python app/renderer.py --config confs/matrixcity/matrixcity_2block_multi.txt --ckpt log/matrix_city_block_1+2_multi/matrix_city_block_1+2_multi.th
多GPU渲染需同样添加--nproc_per_node参数。渲染结果将保存至log/your_expname/imgs_test_all/目录。
注意事项：
若使用Windows系统，需确保CUDA与PyTorch版本兼容，且Git、Conda已正确安装；
数据集图像需保证分辨率一致（如4K），且覆盖场景足够范围；
训练过程中可通过tensorboard监控损失曲线（tensorboard --logdir log/your_expname）。
LandMark是一款基于GridNeRF技术的开源大规模城市场景三维建模与渲染项目，支持高效训练与4K分辨率渲染。以下是其详细安装步骤：
1. 准备工作
系统要求：支持CUDA的Linux（推荐Ubuntu 20.04+或CentOS 7+）或Windows 10/11系统；
硬件要求：NVIDIA GPU（显存≥8GB，如A6000、3090等），已安装对应版本的CUDA Toolkit（如CUDA 11.6）；
软件工具：Conda（环境管理）、Git（代码克隆）、Python 3.9.16（项目指定版本）；
其他：确保系统网络畅通，关闭不必要的防火墙或杀毒软件。
2. 克隆项目代码
打开终端（Linux）或命令提示符（Windows），执行以下命令克隆LandMark项目仓库：
git clone https://github.com/InternLandMark/LandMark.git
cd LandMark
这一步将下载项目所有源代码至本地LandMark目录。
3. 创建并激活Conda虚拟环境
为避免依赖冲突，建议使用Conda创建独立虚拟环境：
conda create --name landmark -y python=3.9.16 创建名为"landmark"的环境，指定Python版本
conda activate landmark 激活环境（后续操作需在激活状态下进行）
激活后，终端提示符会显示(landmark)前缀。
4. 安装PyTorch与CUDA工具包
LandMark依赖PyTorch的CUDA加速版本，需通过以下命令安装（以CUDA 11.6为例）：
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu
此命令会自动安装适配CUDA 11.6的PyTorch及配套工具包。
5. 安装项目依赖
进入项目根目录，通过requirements.txt文件安装所有Python依赖：
pip install -r requirements.txt
该步骤会安装numpy、opencv-python、tqdm等必要库，确保项目正常运行。
6. 准备数据集
LandMark支持自定义数据集，需按照以下结构组织图像与位姿文件（以MatrixCity小城数据集为例）：
your_dataset/
├── images/ 存放训练/测试图像（至少250-300张，需有重叠区域）
│ ├── image_0.png
│ ├── image_1.png
│ └── ...
├── transforms_train.json 训练集相机位姿与内参文件
└── transforms_test.json 测试集相机位姿与内参文件
若使用COLMAP提取的位姿数据，需通过项目提供的工具转换为NeRF格式：
python app/tools/colmap2nerf.py --recon_dir data/your_dataset/sparse/0 --output_dir data/your_dataset
此命令会将COLMAP输出的稀疏点云与位姿转换为LandMark可读取的格式。
7. 配置实验参数
修改项目配置文件（如confs/matrixcity/matrixcity_2block_multi.txt），调整以下关键参数：
dataroot：数据集根目录路径（如YOUR_MATRIXCITY_FOLDER_PATH/small_city/aerial/pose）；
datadir：数据集子目录（如block_A）；
dataset_name：数据集名称（如matrixcity）；
batch_size：批量大小（根据GPU显存调整，如8、16）；
num_epochs：训练轮次（如100）。
8. 开始训练与渲染
训练模型：执行以下命令启动训练（单GPU）：
python app/trainer.py --config confs/matrixcity/matrixcity_2block_multi.txt
若使用多GPU加速（如4块A6000），需添加分布式训练参数：
python -m torch.distributed.launch --nproc_per_node=4 app/trainer.py --config confs/matrixcity/matrixcity_2block_multi.txt
训练过程中，模型检查点（.th文件）会保存至log/your_expname/目录。
渲染图像：训练完成后，执行以下命令进行渲染（单GPU）：
python app/renderer.py --config confs/matrixcity/matrixcity_2block_multi.txt --ckpt log/matrix_city_block_1+2_multi/matrix_city_block_1+2_multi.th
多GPU渲染需同样添加--nproc_per_node参数。渲染结果将保存至log/your_expname/imgs_test_all/目录。
注意事项：
若使用Windows系统，需确保CUDA与PyTorch版本兼容，且Git、Conda已正确安装；
数据集图像需保证分辨率一致（如4K），且覆盖场景足够范围；
训练过程中可通过tensorboard监控损失曲线（tensorboard --logdir log/your_expname）。
相关推荐
