EmerNeRF安装与训练疑难解答10个高频错误排查清单compute_89、CUDA OOM、nan loss等【免费下载链接】EmerNeRFPyTorch Implementation of EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision项目地址: https://gitcode.com/gh_mirrors/em/EmerNeRFEmerNeRF 是一个基于 PyTorch 实现的自监督时空场景分解项目能够从相机 LiDAR 数据中重建 4D 动态场景、分离静态背景与运动物体并做特征提升feature lifting支持 NOTRWaymo与 NuScenes 数据集。本文把安装与训练中最容易踩的 10 个高频错误整理成排查清单覆盖compute_89、CUDA OOM、nan loss 等问题帮助你快速定位并修复。1️⃣ 环境预检开工前确认 3 件事检查项要求系统/PythonUbuntu 22.04 Python 3.9官方仅在此组合下测试过PyTorch2.0.0 cu117requirements.txt 已锁定版本耗时预期pip install -r requirements.txt需 10 分钟以上整套安装 30 分钟以上属正常不要中途打断编译依赖建议用 conda 创建独立环境emernerfnerfacc与tiny-cuda-nn需要按官方说明单独安装并锁定提交版本这一步是后文错误 1、2 的重灾区。2️⃣ 10 个高频错误排查清单错误 1nvcc fatal : Unsupported gpu architecture compute_89现象安装tiny-cuda-nn即 third_party/tcnn_modules.py 依赖的 TCNN 扩展时编译失败。原因40 系显卡RTX 4090/4080/4070 等SM 8.9对应的 CUDA 架构未被默认编译进去。解决设置环境变量TCNN_CUDA_ARCHITECTURES86后重新执行 tiny-cuda-nn 的安装命令用 SM 8.6 编译的核函数在 8.9 显卡上可正常运行官方 README 的 Troubleshooting 一节也给出了这条命令。错误 2error: parameter packs not expanded with ...现象同样是 TCNN 编译阶段报错。原因GCC 版本过老一般 8C17 展开参数包行为不一致。解决切换到 GCC 9 环境可在 conda 中安装新版 gcc 并设置CC/CXX后再安装 tiny-cuda-nn然后重装该扩展即可。错误 3CUDA out of memory显存爆炸EmerNeRF 单卡训练 4D 场景显存敏感按下面顺序降档均可用命令行参数覆盖 configs/default_config.yamldata.preload_devicecpu—— 默认值cuda会把整个数据集缓存到显存配置文件注释明确提示大场景会 OOMdata.ray_batch_size从 8192 调小到 4096 或 2048render.render_chunk_size从 16384 调小到 8192data.pixel_source.load_size[320,480]降采样、data.pixel_source.num_cams1只用前视相机缩短训练窗口data.start_timestep/data.end_timestep少取一些帧。错误 4loss 变成 nan / 训练发散定位加optim.check_nanTrueloss/base.py 中的基类会在首个 NaN 时抛出Loss xxx is NaN.直接告诉你是 rgb、depth 还是 feature 损失爆了代价是训练变慢。缓解把supervision.rgb.loss_type从l2换成l1或smooth_l1对异常值更鲁棒同时检查max_forward_flow_norm是否爆炸开启 flow 分支时日志里可见。错误 5TypeError: numpy._DTypeMeta object is not subscriptable现象运行 preprocess.py 预处理 Waymo 原始数据时出现。原因numpy 2.x 移除了旧的下标写法。解决执行pip install numpy1.26.1并忽略相关警告即可docs/NOTR.md 已注明此修复。错误 6torch / xformers / CUDA 版本互相打架torch 2.0.0cu117与xformers 0.0.18是强耦合的锁定版本。不要只升级其中某一个也不要在 cu118/cu121 环境里混用。一旦import xformers报 undefined symbol 或 CUDA 运行时错误最省事的办法是删掉环境用requirements.txt里的 cu117 源--extra-index-url已内置重建。错误 7找不到数据 / 缺 sky maskFileNotFoundError 一类确认data.data_root默认data/waymo/processed/training与data.dataset匹配data.scene_idx范围Waymo 训练集[0, 798]、NuScenes[0, 849]目录结构必须符合 docs/NOTR.md 中的布局每个 SCENE_ID 下含images、lidar、ego_pose、intrinsics、extrinsics、sky_masks等子目录天空掩码sky mask是训练必需项load_sky_maskTrue需下载项目提供的预提取掩码并解压到对应场景的sky_masks/下NuScenes 用户按 docs/NUSCENES.md 把数据目录软链为data/nuscenes并注意data.lidar_source.truncated_min_range-60必须显式设置。错误 82D 特征提取太慢、磁盘被撑爆开启 feature lifting 时用 DINOv2 提取 2D 特征单个序列可超过 30GB。建议data.pixel_source.target_feature_dim64用 PCA 把 768 维特征降到 64 维显著省空间data.pixel_source.delete_features_after_runTrue跑完即删第二次训练时data.pixel_source.skip_feature_extractionTrue直接复用已缓存的特征。错误 9wandb 初始化失败 / 云环境连不上--enable_wandb是可选项不加则完全不上报云端本地日志文件log_dir下的 logger 输出与 metrics.json照常生成排查问题不受影响。若必须启用train_emernerf.py 的setup()已内置多轮重试机制仍失败时优先检查 wandb 登录态与网络。错误 10动态分支 / 流场不收敛、PSNR 上不去先用configs/default_flow.yaml或configs/default_dynamic.yaml并参考 sample_scripts/sample_script.sh 中的示例调试阶段把optim.num_iters降到 8000脚本注释明确建议配置文件注释给出了明确提示若 flow 不准或坍缩可把 line-of-sight loss 的start_epsilon从 6.0 降到 3.0、end_epsilon从 2.5 降到 1.0PSNR 会略有下降换取更稳的流场训练收敛后可加--visualize_voxel并指定resume_from$YOUR_PRETRAINED_MODEL会生成 HTML 文件在浏览器里查看体素级时空特征3️⃣ 数据自检先确认数据没问题再怪代码训练前先渲染一段数据预览视频--render_data_video_only确认 LiDAR 点、流场与特征图对齐正常可排除大半数据问题python train_emernerf.py \ --config_file configs/default_config.yaml \ --output_root $output_root --project $project --run_name $scene_idx \ --render_data_video_only \ data.scene_idx$scene_idx \ data.pixel_source.load_size[160,240] \ data.pixel_source.num_cams3 \ data.start_timestep0 data.end_timestep-1收敛后的渲染效果可对照官方基线注意 NuScenes 为初步调参的 baseline4️⃣ 收尾建议出错先看log_dir/config.yaml——每次运行都会存档最终配置参数是否真的生效一目了然任何报错先对照本清单的顺序编译期1、2→ 显存3、8→ 数值4、5→ 数据6、7→ 收敛10更多示例命令见 sample_scripts/配置项逐项注释见 configs/default_config.yaml。【免费下载链接】EmerNeRFPyTorch Implementation of EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision项目地址: https://gitcode.com/gh_mirrors/em/EmerNeRF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考