gsplat 高斯溅射渲染库安装部署教程：Windows / Linux / macOS 全平台完整配置指南

gsplat 高斯溅射渲染库安装部署教程：Windows / Linux / macOS 全平台完整配置指南

【免费下载链接】gsplatCUDA accelerated rasterization of gaussian splatting项目地址: https://gitcode.com/GitHub_Trending/gs/gsplat

gsplat 是一个 CUDA 加速的高斯溅射（Gaussian Splatting）渲染库，提供 Python 绑定，把辐射场场景的投影、排序与光栅化全部下放到 GPU，实现实时渲染。这份教程带你在 Windows、Linux、macOS 上从空环境装到跑通验证代码，每步都给出预期结果，全程复制粘贴即可走完。

环境摸底：装 gsplat 高斯溅射渲染库前要确认什么

打开终端，用下面 4 条命令摸底：

python --version nvidia-smi python -c "import torch; print(torch.__version__, torch.version.cuda)" 2>/dev/null || echo "torch 未安装" uname -m

预期：前两条分别输出 Python 3.10.x 与显卡型号、驱动支持的 CUDA 版本；macOS 没有 nvidia-smi，跳过该条即可。

选哪条路：30 秒定下安装方式

路径 A（⭐ 首选）：

pip install gsplat

路径 B（🛠️ 进阶）：

git clone https://gitcode.com/GitHub_Trending/gs/gsplat cd gsplat pip install .

路径 C（⚡ Windows 推荐）：

pip install --no-binary=gsplat gsplat --no-cache-dir

分平台安装实操

Windows：激活 Visual Studio 编译器环境再装

1. 安装 Visual Studio Build Tools 2022 与 CUDA Toolkit

从微软官网安装 Build Tools 2022，勾选"使用 C++ 的桌面开发"工作负载（含 MSVC v143 与 Windows SDK）；再从 NVIDIA 官网装 CUDA Toolkit 12.6。预期：新终端执行 nvcc --version 输出 release 12.6，且 C:\Program Files (x86)\Microsoft Visual Studio\2022\BuildTools\VC\Auxiliary\Build\vcvars64.bat 存在。完整说明见 docs/INSTALL_WIN.md。

2. 创建 conda 环境并装 PyTorch

conda create -n gsplat python=3.10 -y conda activate gsplat pip install torch==2.9.1

预期：pip 以 Successfully installed torch-2.9.1 结束，python -c "import torch; print(torch.cuda.is_available())" 输出 True。

3. 激活编译器环境（关键一步）

路径含空格，注意引号转义：

cd "C:\Program Files (x86)\Microsoft Visual Studio\2022\BuildTools\VC\Auxiliary\Build" vcvars64.bat

预期：终端提示符变化，执行 cl 输出 MSVC 版本信息。若编译报 v143 不兼容，在同一目录执行 vcvarsall.bat x64 -vcvars_ver=14.29 切到 VS2019 工具集（需已装 v142）。

4. 安装 gsplat

复制上方"选哪条路"中路径 C（或路径 A）的命令块执行。预期：终端出现 ninja 编译进度，最后输出 Successfully installed gsplat-x.y.z；走路径 A 则此步秒过，编译推迟到首次 import。

Linux：指定 CUDA 版本安装与发行版差异

1. 确认驱动

nvidia-smi

预期：右上角 CUDA Version 不低于 12.6（这是驱动上限，低于就先升驱动）。

2. 安装系统编译依赖（按发行版三选一）

# Ubuntu / Debian sudo apt update && sudo apt install -y build-essential g++ ninja-build

# CentOS / RHEL sudo yum groupinstall -y "Development Tools" && sudo yum install -y ninja-build

Arch 系（Arch / Manjaro）基础镜像自带 gcc、g++、make、ninja，跳过此步。

3. 创建环境并装 PyTorch

conda create -n gsplat python=3.10 -y conda activate gsplat pip install torch==2.9.1

同时安装 CUDA Toolkit 12.6（官方 runfile 或发行版源均可）。预期：nvcc --version 输出 release 12.6，与 torch.version.cuda 同大版本。

4. 安装 gsplat

复制上方"选哪条路"中路径 A 或路径 B 的命令块执行；容器或共享机内存紧张时，在命令前加 MAX_JOBS=2 降低编译并行度。预期：路径 B 编译数分钟后输出 Successfully installed gsplat-x.y.z。

macOS：Apple Silicon 指定 arm64 架构编译

1. 确认芯片架构

uname -m

预期：arm64 为 Apple Silicon，x86_64 为 Intel。

2. Apple Silicon 设置架构标志位（Intel 跳过）

export ARCHFLAGS="-arch arm64"

3. 创建环境并装 PyTorch

conda create -n gsplat python=3.10 -y conda activate gsplat pip install torch==2.9.1

4. 克隆源码编译安装

复制上方路径 B 的命令块执行，在 gsplat 目录内完成 pip 安装。预期：build 脚本在 M 系列芯片上自动附加 -arch arm64，最后输出 Successfully installed gsplat-x.y.z。Mac 没有 CUDA，此路径只编译 CPU 代码，适合读代码与调试接口；正式训练请换 NVIDIA GPU 机器。

冒烟验证：5 行代码确认 gsplat 高斯溅射渲染库可用

在激活了 gsplat 环境的终端执行：

python -c "import gsplat, torch; print(gsplat.__version__); print(torch.cuda.is_available())"

成功标志：输出两行，第一行是版本号（如 1.6.0），第二行是 True（macOS 上允许 False）。走路径 A 时首次 import 会现场 JIT 编译，等几分钟属正常现象。输出与上述不一致，直接跳到下一节排查。

高频问题速查

下一步

• 跑通第一个训练：cd examples && pip install -r requirements.txt && python simple_trainer.py，完整依赖清单见 examples/requirements.txt
• 想玩 3DGUT：读 docs/3dgut.md，配套演示在 examples/simple_viewer_3dgut.py
• 参与开发前先看 docs/DEV.md

环境搭好之后，挑一个训练脚本跑起来，剩下的事就都是调参了 🚀

【免费下载链接】gsplatCUDA accelerated rasterization of gaussian splatting项目地址: https://gitcode.com/GitHub_Trending/gs/gsplat