システム要件¶
3DGSパイプラインに必要なハードウェアとソフトウェアの要件。
最小要件¶
ハードウェア¶
| コンポーネント | 最小 | 推奨 | 備考 |
|---|---|---|---|
| CPU | 4コア | 8コア以上 | Intel/AMD x86_64 |
| RAM | 16 GB | 32 GB以上 | 大規模データセットにはより多く必要 |
| GPU | NVIDIA GTX 1080（8GB） | RTX 3090/4090/6000 Ada | CUDAが必要 |
| VRAM | 8 GB | 24〜48 GB | 4K @ 5fps には48GB |
| ストレージ | 100 GB | 1 TB以上 | SSD推奨 |
| ネットワーク | 10 Mbps | 100 Mbps以上 | ダウンロード用 |
ソフトウェア¶
| ソフトウェア | バージョン | 用途 |
|---|---|---|
| OS | Ubuntu 22.04以降 | Linuxが必要 |
| CUDA | 12.4 | GPUアクセラレーション |
| Python | 3.10以降 | プログラミング環境 |
| Git | 2.0以降 | バージョン管理 |
| FFmpeg | 4.0以降 | 動画処理 |
検証済み構成¶
本研究で使用した環境：
サーバー：DNN19（峯野研究室）
CPU：Intel Xeon（マルチコア）
RAM：128 GB
GPU：NVIDIA RTX 6000 Ada（VRAM 48 GB）
CUDA：12.4
OS：Ubuntu 22.04 LTS
ストレージ：10 TB HDD
結果： - PSNR：23.71 dB - 学習時間：1日付あたり約18〜30分 - 成功率：100%（22/22日付）
GPU要件¶
なぜNVIDIA GPUが必要か？¶
CUDAアクセラレーションは以下に**必須**です： - COLMAPの特徴点抽出（10〜100倍高速化） - 3DGSの学習（必須） - レンダリング（大幅な高速化）
解像度別のVRAM要件¶
| 解像度 | フレーム数（5fps） | 必要VRAM | GPU例 |
|---|---|---|---|
| 1080p | 約329枚 | 8 GB | GTX 1080 |
| 2K | 約329枚 | 12 GB | RTX 3060 |
| 4K | 約329枚 | 24 GB | RTX 3090 |
| 4K（本研究） | 約329枚 | 48 GB | RTX 6000 Ada |
VRAMの制限
メモリ不足（OOM）エラーが発生した場合： - フレームレートを下げる（5fps → 3fps） - 解像度を下げる（4K → 2K） - フレーム数を減らす
ストレージ要件¶
1データセットあたりのサイズ¶
1回の撮影日（条件1、5fps、4K）：
| コンポーネント | サイズ | 累計 |
|---|---|---|
| 生動画 | 約200 MB | 200 MB |
| 抽出フレーム | 約1.5 GB | 1.7 GB |
| COLMAPスパース | 約500 MB | 2.2 GB |
| 3DGSモデル | 約200 MB | 2.4 GB |
| レンダリング画像 | 約2 GB | 4.4 GB |
| 合計 | 約5 GB | 5 GB |
22日分： 約110 GB
推奨： 作業スペースとして500 GB〜1 TB
ネットワーク要件¶
ダウンロードサイズ¶
| 項目 | サイズ | 時間（100 Mbps時） |
|---|---|---|
| CUDAツールキット | 約3 GB | 約4分 |
| COLMAPソース | 約50 MB | 約5秒 |
| 3DGSリポジトリ | 約100 MB | 約10秒 |
| PyTorch + 依存パッケージ | 約2 GB | 約3分 |
| 合計 | 約5 GB | 約10分 |
オペレーティングシステム¶
サポート対象¶
✅ Ubuntu 22.04 LTS（推奨・検証済み）
✅ Ubuntu 20.04 LTS（動作するはず）
✅ Ubuntu 24.04 LTS（動作するはず）
✅ その他Debianベース（動作する可能性あり）
非サポート¶
❌ Windows（WSL2は動作する可能性があるが未検証）
❌ macOS（CUDAサポートなし）
❌ その他のLinuxディストリビューション（未テスト）
なぜUbuntuか？
- 最良のCUDAサポート
- 安定したパッケージエコシステム
- 広いコミュニティサポート
- 研究室での使用実績
ソフトウェア依存関係¶
必須¶
# システムパッケージ
build-essential, cmake, git
libboost-all-dev, libeigen3-dev
libsuitesparse-dev, libfreeimage-dev
libgoogle-glog-dev, libgflags-dev
libglew-dev, qtbase5-dev
# Pythonパッケージ
torch, torchvision（CUDA付き）
numpy, pillow, tqdm
plyfile, opencv-python
# ツール
ffmpeg, conda/mamba
オプション¶
互換性確認¶
クイックテスト¶
以下のコマンドで確認：
# Ubuntuバージョンの確認
lsb_release -a
# 表示されるべき内容：Ubuntu 22.04
# GPUの確認
nvidia-smi
# 表示されるべき内容：GPUのモデル名
# CUDA対応能力の確認
nvidia-smi --query-gpu=compute_cap --format=csv
# 表示されるべき内容：≥7.0（Volta以降）
# ディスク空き容量の確認
df -h
# 表示されるべき内容：100GB以上の空き容量
# RAMの確認
free -h
# 表示されるべき内容：16GB以上
性能の目安¶
学習時間¶
| GPU | VRAM | 時間（3万イテレーション） | 価格目安 |
|---|---|---|---|
| RTX 4090 | 24 GB | 約20分 | 約24万円 |
| RTX 3090 | 24 GB | 約30分 | 約15万円 |
| RTX 6000 Ada | 48 GB | 約18分 | 約102万円 |
| A100 | 40 GB | 約15分 | 約150万円 |
COLMAPの処理時間¶
| 解像度 | フレーム数 | 特徴点抽出 | マッパー |
|---|---|---|---|
| 1080p | 約329枚 | 約5分 | 約10分 |
| 2K | 約329枚 | 約10分 | 約20分 |
| 4K | 約329枚 | 約20分 | 約40分 |
スペックアップのアドバイス¶
VRAM 8 GBの場合¶
対応策： 1. 解像度を下げる：4K → 2K または 1080p 2. フレームレートを下げる：5fps → 3fps 3. フレーム数を減らす：最良の200フレームを選択
RAM 16 GBの場合¶
動作は可能ですが： - 他のアプリケーションを閉じる - メモリ使用量を監視する - 32 GBへのアップグレードを検討
ストレージが遅い場合¶
影響： - フレーム抽出が遅くなる - COLMAPのI/Oボトルネック - SSDへのアップグレードを検討
クラウド環境の代替案¶
ハードウェアが不足している場合：
Google Colab¶
- GPU： Tesla T4（16 GB）またはA100（40 GB）
- 費用： 無料プランまたは月額約1,500円（Pro）
- 制限： セッションのタイムアウト、ストレージ制限
AWS EC2¶
- インスタンス： p3.2xlarge（V100 16GB）
- 費用： 約450円/時間
- メリット： 完全な制御、永続ストレージ
Paperspace¶
- GPU： 各種オプションあり
- 費用： 75〜300円/時間
- メリット： ML環境が事前設定済み
クラウド利用の注意点
- データのアップロード/ダウンロード時間
- セッション管理
- 長時間学習のコスト
- ストレージ費用
確認チェックリスト¶
インストールに進む前に：
- Ubuntu 22.04 LTSがインストール済み
- CUDAに対応したNVIDIA GPU（VRAM 8 GB以上）
- RAM 16 GB以上（32 GB以上が望ましい）
- ディスク空き容量100 GB以上
- インターネット接続可能
- sudo/管理者権限あり
次のステップ¶
ハードウェアの準備ができたら？
→ クイックスタートガイド - 30分で全てインストール
お困りの場合？
→ トラブルシューティング - よくあるハードウェアの問題
ハードウェアの仕様は、22日分の温室データセットを用いたDNN19サーバーの構成とテストに基づいています。