低显存显卡的 3DGS 训练器：Spirula Studio，8GB 训 1000 万高斯
【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 是把照片或视频变成相机位姿、Splat 模型和纹理网格的 3DGS 训练工具，一个二进制覆盖全流程，免 Python，免 COLMAP。8GB 显存可训千万个 SH3 高斯，AMD、Intel、Apple 显卡都能跑。
为什么照片和视频总是卡在环境配置这一步
你有一堆照片或一段运动相机视频，想做出能 3D 查看、能打印的模型。传统 3DGS 路线要装 Python、装 CUDA 版 PyTorch、再装 COLMAP 求相机位姿，每一步都可能翻车，而且多数教程默认你有 NVIDIA 显卡。Spirula Studio 针对的就是这个局面：同一个二进制覆盖抽帧、求位姿、训练、导出网格，非 NVIDIA 显卡上也不依赖额外软件。
从素材到网格：Spirula Studio 的处理流程
输入：三种数据集布局自动识别，不用手工整理。Nerfstudio、COLMAP、Metashape 按顺序由同一套 C++ 解析器识别，CLI、GUI 和 WASM 查看器共用，照片文件夹原地索引、递归扫描且不拷贝。GoPro MAX 的 .360 与 .insv 双镜头文件、等距柱状全景可以直接加载训练，不需要先去畸变，数据格式细节见 docs/datasets.md。
处理：内置 GPU SfM 替代 COLMAP。视频先过抽帧环节，给候选帧按清晰度打分、保留最清晰的一帧；特征检测支持 SIFT、ALIKED（配合 LightGlue 匹配）和 LoMa。数据集创建模块还会读取图片和视频里的运动遥测元数据，恢复真实比例与朝向——"重建偏大偏小或歪了"是常见的抱怨，这一环就是修复它的地方。没有点云时随机播种种子点，训练照样能开始。
输出：Splat 模型加可导出的纹理网格。训练时向运行目录写 checkpoint，spirula mesh一步转成 glb、ply、obj、stl；顶点色或烘焙 UV 纹理二选一，指定--color texture时 GLB 内嵌贴图，一次运行同时产出"看的 glb"和"打印的 stl"。基于 WebGL2 + WASM 的 Web Viewer 不装任何软件，浏览器里也能看 Splat 和网格。
第一次跑通：从获取程序到看到实时渲染
- 拿程序。到项目 Releases 页面选对应平台（Windows / Linux / macOS）的包，解压后打开 GUI，无需任何配置。
- 或者源码编译。仓库自带构建脚本，自动完成代码生成、环境检查并调用 CMake + Ninja，大约几分钟：
git clone https://gitcode.com/GitHub_Trending/sp/spirula-studio cd spirula-studio bash build_develop.bash -DSS_BACKEND=vulkan-DSS_BACKEND=vulkan是官方推荐选项，跨厂商且构建最快；Windows 下把脚本换成build_develop.bat、参数不变；NVIDIA 用户也可以改用-DSS_BACKEND=cuda。
- 打开 GUI 开始训练。Home → "Create Dataset from Photos/Video"（或 "Open a Dataset"）→ 选 8 个内置预设之一 → 过一遍 Basic Options → Start Training。右侧视口实时渲染，左侧同步指标曲线和日志，随时可以暂停或停止。全部高级参数收在 "All Options" 里，可搜索，改动过的项会被高亮，右键可重置。
只想训练现成数据集时，命令行一条命令也能跑：
spirula train --data /path/to/dataset它会默认在 HTTP 端口起一个 Web 查看器，ssh -L转发端口后，本地浏览器就能看到训练进度，不用把整个桌面会话拉过来。
一个完整示例：一段视频，最后拿到带纹理的 glb
任务：用转盘多角拍一件产品，只有一段视频，想要能在线看的 glb 和能打印的 stl。
- 把视频拖进数据集界面（或选 "Create Dataset from Video"），程序先按清晰度抽帧，再由内置 SfM 求出相机位姿，得到带稀疏重建的数据集。
- 打开训练器，选 3dgs 预设，Basic Options 保持默认开始训练。结束后选择停止并保存，checkpoint 写进数据集下的
outputs/<run>/。 - 出网格：
spirula mesh outputs/myrun --color texture,vertex --format glb,stl表面只提取一次、颜色按需重做，带纹理 glb 和裸 stl 是同一次运行产出的。多个场景要处理时，用 GUI 的 Batch 界面把"建数据集 → 训练 → 网格化"排成多行任务，队列保存在本地文件里，中途崩溃也不丢。
效果不对或跑不下去：按现象排查
- 显存吃紧：先调低 Image resolution 一档（等效于降分辨率训练），再下调
cap_max（最大 Splat 数上限）；量化训练已经把基础显存压得很低，8GB 装 1000 万 SH3 高斯够用。 - 重建比例不对或场景歪了：重新跑一次数据集创建，遥测元数据的恢复发生在这一环；.360 文件不记录相机的安装朝向，场景倒置时用
--360-orient 0,0,180纠正，该选项只在命令行提供。 - 训练被打断：
spirula train --resume <运行目录>从最近 checkpoint 续训，优化器状态、步数和学习率计划原样接上，规则见 docs/training-resume.md；若 checkpoint 未保存优化器状态，只能查看和导出，不能续训。 - 后端边界：CUDA 后端不含内置 SfM、视频抽帧和 AI masking，这些只有 Vulkan 后端提供，走 CUDA 的用户要自备 COLMAP 格式数据集；对比后端速度时注意 AMD 的 amdvlk 与 RADV 两个驱动在同一内核上可能有数量级差距。
照片或视频进，位姿、Splat、网格出，全程一个程序，中间没有 Python 环境和 COLMAP 安装。8GB 以下显存、非 NVIDIA 显卡、想快速出结果的用户适合它；想修改训练算法本身则选其他可插拔的 3DGS 框架。要深入架构，从 docs/architecture.md 和 src/app/ 开始读。
【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
)