首先根据配置Instant环境的教程，我们git clone了instant-ngp的官方代码。
如果我们需要使用自己的数据及训练NeRF神经网络的话，我们还需要安装一个Colmap用来做图像的位姿处理。
git clone https://github.com/colmap/colmap.git
cd colmap
mkdir build
cd build
sudo cmake .. -D CMAKE_CUDA_COMPILER="/usr/local/cuda/bin/nvcc" CMAKE_CUDA_ARCHITECTURES='native'
make -j4
sudo make install
注意：如果报了错误：CMake Error at CMakeLists.txt:255 (message): You must set CMAKE_CUDA_ARCHITECTURES to e.g. 'native', 'all-major', '70', etc. More information at
我们可以在CMAKELIST.txt文件的第253行前加入一行：
set(CMAKE_CUDA_ARCHITECTURES 52 60 61 75 86)
构建自己的数据集
第一步：准备环境和数据，可以是一段视频或者是一些图片
我们在某一个目录下创建一个文件夹用来存放这个视屏或者图片，例如：我在test文件夹下，放入了test.mp4;
pip install -r requirements.txt
第二步：****使用instant-ngp自带的脚本去进行位姿恢复
python ./scripts/colmap2nerf.py --video_in ./test/test.mp4 --video_fps 2 --run_colmap --aabb_scale 32
其中video_fps设置的是，每一秒截取多少帧，我们可以根据视频的长度，大概能够估计会产生多少张图片
第三步：切换到test文件夹下，进行特征提取和特征匹配将colmap数据格式转换为nerf数据格式
如果数据格式是图片的话，从这里开始。
python ../scripts/colmap2nerf.py --colmap_matcher exhaustive --run_colmap --aabb_scale 32
第四步：切换到根目录下，运行instant-ngp 进行nerf模型的训练和nerf模型转3D模型的输出
instant-ngp ./test
输出结果：
总结数据要求：
（1）像素尽量高
（2）尽量不要有反光，或者很高的亮度
（3）instant-ngp训练出的模型可能需要裁剪
（4）拍摄的物体不能动，移动就会导致糊。
