前言
整个安装过程非常简单，运行得也很丝滑，最大的难点在于中文资料太少，英文看得头痛。本文也是参考了许多链接，有些链接比我写得详细多了，各位选择性看吧
安装
安装过程参考github链接，按顺序一步一步安装，
# environment
conda create --name nerfstudio -y python=3.8
conda activate nerfstudio
python -m pip install --upgrade pip
# pytorch这里用适合自己的版本
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
# 很容易漏掉的一步！！！ Tiny-cuda-nn
pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch
# 克隆github
git clone https://github.com/nerfstudio-project/nerfstudio.git
cd nerfstudio
pip install --upgrade pip setuptools
pip install -e .
# 如果还想生成位姿的话，安装如下命令
conda install -c conda-forge colmap
conda install -c conda-forge mpir
以上就安装完成了，如果因为网络导致git命令无法使用，参考链接。
测试
提供的demo代码数据集无法下载，所以另辟蹊径
下载数据集
数据集链接，选择plane.zip下载，下载完成后使用如下代码测试
ns-train nerfacto --data data/nerfstudio/plane --vis viewer --max-num-iterations 50000
根据提供的链接在网页中就可以查看实时渲染情况
模型选择
如何选择不同的模型 参考链接
ns-train {nerfacto,instant-ngp,mipnerf,semantic-nerfw,vanilla-nerf,tensorf,dnerf,phototourism}
nerfacto : 推荐的实时模型为真实捕获而调整。这个模型将不断更新
depth-nerfacto: 具有深度监督的 Nerfacto
instant-ngp：Instant-NGP 的现实，推荐用于无限制场景的实时模型
instant-ngp-bounded：Instant-NGP 的实现，推荐用于有界真实和合成场景
mipnerf：有界场景的高质量模型（慢）
semantic-nerfw：预测语义分割并过滤掉瞬时对象
vanilla-nerf：原始NeRF模型（慢）
tensorftensorf
dnerf：动态NeRF模型（慢）
phototurism:使用Phototourism的数据
nerfplayer-nerfacto:带有nerfacto主干的NeRFPlayer
nerfplayer-ngp配备InstantNGP主干的NeRFPlayer
自己的数据集
有一个问题就是.json文件在每种nerf下的设置还不同，所以要根据需求生成nerf文件，头大
此外如果使用vanilla-nerf，还需要注册wandb
登录注册账号：https://wandb.ai/
登陆注册账号后创建一个project，会得到一个账号相关联的key
可以认为该key是一个身份码，与自己注册的账号绑定
（学习教程：https://docs.wandb.ai/quickstart）
一些命令行
# 使用vanilla-nerf 训练bed-001
cd nerf/nerfstudio
source activate nerfstudio
ns-train vanilla-nerf --data data/nerfstudio/bed_001
