新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何构建Spirula Studio?Vulkan与CUDA双后端编译完全指南

发布时间:2026/11/16 10:49:26来源:尧图网络
如何构建Spirula Studio?Vulkan与CUDA双后端编译完全指南
如何构建Spirula StudioVulkan与CUDA双后端编译完全指南【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-studioSpirula Studio是一款开源的跨厂商 3D Gaussian Splatting3D 高斯泼溅训练工具可以从原始照片或视频直接训练出 splat 并导出带贴图的网格无需 Python/PyTorch 和 COLMAP。本文将带你一步步完成Vulkan 与 CUDA 双后端的源码编译覆盖 Windows、Linux 和 macOS 三大平台 ️一、Vulkan 还是 CUDA先看懂双后端区别Spirula Studio 通过SS_BACKEND选项在编译期选择计算后端两个后端提供完全相同的训练和网格化功能对比项Vulkan推荐CUDA显卡支持NVIDIA、AMD、Intel、Apple Silicon仅限 NVIDIA平台支持Windows / Linux / macOSWindows / Linux额外依赖Vulkan SDKmacOS 自动获取 MoltenVKCUDA Toolkit MSVCWindows额外能力内置 SfM、视频抽帧、AI 掩码无产物体积构建更快、二进制更小较大 性能差异通常在几个百分点以内具体取决于 GPU 驱动Vulkan 后端在部分场景下显存占用更低。后端选择逻辑定义在 cmake/SsOptions.cmake 中整体构建流程编排见 CMakeLists.txt 与 docs/backends.md。二、编译前准备环境清单不同平台只需准备对应工具链其余依赖如 MoltenVK会由 CMake 自动处理WindowsVisual Studio含 C 工作负载CUDA 后端还需安装 CUDA ToolkitLinuxCMake、Ninja、C 编译器GCC/Clang、python3可选用于代码生成macOSXcode 命令行工具MoltenVK 会静态链接进二进制无需单独安装Vulkan 后端请确认已安装Vulkan SDKmacOS 除外CMake 会自动拉取 MoltenVK。三、克隆仓库git clone https://gitcode.com/GitHub_Trending/sp/spirula-studio cd spirula-studio项目自带两个一键构建脚本Linux/macOS 用 build_develop.bashWindows 用 build_develop.bat。脚本会自动完成代码生成、代码风格检查、按可用内存分配编译并发数等工作。四、Vulkan 后端编译步骤推荐4.1 WindowsMSVC在项目根目录打开命令提示符.\build_develop.bat -DSS_BACKENDvulkan -DSS_ENABLE_PATENTEDON成功后生成build_vulkan\spirula.exe。若使用 GCC/Clang可手动调用 CMakecmake -G Ninja -B build_vulkan -DCMAKE_BUILD_TYPERelease -DSS_BACKENDvulkan -DSS_ENABLE_PATENTEDON cmake --build build_vulkan -j4.2 Linuxbash build_develop.bash -DSS_BACKENDvulkan -DSS_ENABLE_PATENTEDON成功后生成build_vulkan/spirula可执行文件。4.3 macOSApple Silicon / Intelbash build_develop.bash -DSS_BACKENDvulkan -DSS_ENABLE_PATENTEDON cmake --build build --target macos_app cmake --build build --target macos_dmgmacOS 只有一个后端所以构建目录固定为build/。构建完成后你会得到双击即用的build/Spirula Studio.app和build/Spirula Studio.dmg磁盘映像 ⚖️关于SS_ENABLE_PATENTED开启后视频解码在 GPU 上进行抽帧约快 15 倍、无需安装 ffmpeg但涉及 AVC/HEVC 第三方专利风险需自行确认本地合规关闭时视频解码会自动交由 ffmpeg 完成。五、CUDA 后端编译步骤确保已安装较新版本的 CUDAWindows 下还需要与 CUDA 版本兼容的 MSVC 编译器。5.1 Windows.\build_develop.bat -DSS_BACKENDcuda成功后生成build_cuda\spirula.exe。5.2 Linuxbash build_develop.bash -DSS_BACKENDcuda成功后生成build_cuda/spirula可执行文件。 Windows 脚本会自动探测系统中最新安装的 CUDA Toolkit并注入-DCMAKE_CUDA_COMPILER如需指定版本可显式追加该参数。六、实用编译选项速查选项说明默认值-DSS_BACKENDvulkan\|cuda选择计算后端cuda-DSS_BUILD_GUIOFF不构建图形界面只保留 CLI 工具ON-DSS_ENABLE_PATENTEDON启用 GPU 内 H.264/H.265/AV1 编解码OFF-DSS_BUILD_SFMONCUDA 构建中启用内置 SfM需 Vulkan SDKVulkan 下ON-DSS_DEFAULT_LANGzh_CN无法检测语言时的默认界面语言en-DSS_DEBUG_SYMBOLSON输出调试符号二进制显著变大OFF选项完整定义参见 cmake/SsOptions.cmakeVulkan 后端的设备能力与内核覆盖细节可阅读 src/backend/vulkan/README.md。七、编译完成后如何验证双击或命令行运行生成的spirula/spirula.exe打开 GUI加载一个数据集即可看到训练界面命令行用户推荐先执行spirula --help查看全部子命令。默认spirula train会在 HTTP 端口提供 Web 查看器远程 GPU 训练时可通过 ssh 端口转发在浏览器中查看训练进度。八、常见问题排查 找不到 Ninja/CMakeWindowsbuild_develop.bat会自动回退到 Visual Studio 自带的 CMake/Ninja若仍报错请确认 VS 安装了使用 C 的桌面开发组件。Linux 提示 python3 未找到可跳过代码生成构建会使用仓库中已提交的生成文件不影响编译。CUDA 后端链接 nvcc 失败脚本默认不信任旧的CUDA_PATH环境变量会自动选择最新 Toolkit多版本共存时请显式传-DCMAKE_CUDA_COMPILER。macOS 网格化/UV 展开变慢Homebrew 的libomp是 keg-only脚本会自动探测并通过-DOpenMP_ROOT传入若未生效请手动指定该参数。Vulkan 构建想用内置 SfM/SAM它们依赖 Vulkan 运行时Vulkan 后端下默认开启CUDA 后端可通过-DSS_BUILD_SFMON -DSS_BUILD_SAMON手动开启。九、写在最后至此你已经掌握了 Spirula Studio 的完整编译流程Vulkan 后端一条命令即可在三大平台出包CUDA 后端同样简单。得益于自动化的构建脚本和代码生成流程整个编译过程基本是克隆 → 跑脚本 → 双击运行的体验。编译只是起点——训练一个 splat、导出网格、批量处理视频都可以直接从 GUI 或 CLI 完成。祝构建顺利享受 3D 高斯泼溅的乐趣吧【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创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉