Bölüm 2 — Inspector (Expert View)

NEREDE

Inspector → Önayarlar bölümü → Save… düğmesi (alt eylem çubuğu).

TEKNİK

Metin alanı ve Save/Cancel düğmeleri olan bir popover açar. Mevcut TrainingConfig durumu yeni bir kullanıcı tanımlı önayar olarak kalıcı kılınır (JSON kodlu, uygulama çapında saklanır). Save işlemi 81 eğitim parametresinin tümünü artı mevcut Densification stratejisini kopyalar. Önayar, hangi yerleşik önayardan türetildiğine bakılmaksızın otomatik olarak Custom kategorisine düşer. Boş adlar ve yalnızca boşluk girdileri reddedilir. Zaten mevcut adlar reddedilmez — her önayarın kendi iç ID'si vardır, çift adlar teknik olarak izinlidir ama pratik olarak kafa karıştırıcıdır.

NEREDE

Save popover → „Preset Name" metin alanı.

TEKNİK

Yuvarlatılmış çerçeve ve geniş biçimle basit metin alanı. Değer Save düğmesine tıklandığında önayar adı olarak alınır. UI'da uzunluk sınırı yoktur, ama kaydedilen ad JSON kodlanabilir ve UI listelerinde temsil edilebilir olmalıdır — emoji ve umlaut çalışır. Popover açıldığında içerik otomatik olarak boş bir dize ile sıfırlanır. Alan trim sonrası boş kaldığı sürece Save düğmesi devre dışı kalır. Otomatik öneri ve şu anda etkin önayarın adıyla ön doldurma yoktur.

NEREDE

Save popover → Cancel düğmesi (sol).

TEKNİK

Popover'ı kaydetmeden kapatır. Metin alanı içeriğini atar — bir sonraki açılışta Save… düğmesi mantığıyla (I1) tekrar boşa sıfırlanır. Standart düğme stili, onay diyaloğu yok, kısayol yok. Save yolu hiç çalıştırılmadığı için mevcut TrainingConfig değişmeden kalır.

NEREDE

Save popover → Save düğmesi (sağ, belirgin stil).

TEKNİK

Asıl kalıcılaştırmayı tetikler. Boş olmayan adı tekrar doğrular (savunmacı kontrol) ve ardından mevcut TrainingConfig'i JSON olarak uygulama deposuna yazar. Sonra popover'ı kapatır. Mavi vurgulanmış, metin alanı boş olduğu sürece gri kalır. Kayıt başarısız olursa (ör. uygulama deposu dolduğu için — çok düşük olasılık), şu anda görünür bir hata diyaloğu yoktur; önayar bir sonraki uygulama başlatmasında basitçe görünmez.

NEREDE

Inspector → Önayarlar bölümü → Eylem çubuğu → Export… düğmesi.

TEKNİK

Mevcut seçilen önayarı bir .radiancepreset dosyası (içeride JSON) olarak dışa aktarır. Önayar seçili değilse devre dışıdır. Tıklamada uygulama varsayılan dosya adıyla (önayar adı + .radiancepreset uzantısı) bir kaydet diyaloğu açar. Kaydedilen biçim tüm TrainingConfig'i artı meta verileri (ad, kategori, ID, Built-in bayrağı) içerir. Finder'da çift tıklama uygulamayı açar — ama içe aktarmayı otomatik olarak değil; kullanıcı içe aktarma düğmesini (I6) kullanmalıdır.

NEREDE

Inspector → Önayarlar bölümü → Eylem çubuğu → Import… düğmesi.

TEKNİK

Yalnızca .radiancepreset dosyalarına izin veren bir dosya diyaloğu açar (çoklu seçim devre dışı). Seçildiğinde JSON dosyası yüklenir, doğrulanır ve Custom kategorisine eklenir — Built-in'lerle çakışma olmaması için yeni bir iç ID ile. İçe aktarma, dışa aktarılan önayar başlangıçta örneğin bir Built-in olsa bile kategoriyi otomatik olarak Custom'a ayarlar. Bozuk veya eski şema sürümüyle uyumsuz dosyalar hata diyaloğu olmadan sessizce reddedilir (Console günlüğü bilgi verir).

NEREDE

Inspector → Önayarlar bölümü → her kategorideki her önayar satırı.

TEKNİK

Bir önayar satırına tıklama, TrainingConfig'in tüm alanlarını önayardaki değerlerle değiştirir, etkin önayarın ID'sini hatırlar ve Modified durumunu sıfırlar. Satırın önündeki etkin onay işareti yalnızca önayar seçili VE değiştirilmemişse görünür. Diğer Inspector bölümlerindeki TrainingConfig'te bir değer değiştirildiğinde (kaydırıcı, stepper, anahtar), adın arkasında turuncu bir „Modified" rozeti görünür. Yerleşik önayarlar üzerine yazılamaz — değişiklikte Save düğmesi (I1) üzerinden kendi kopyan oluşturulmalıdır.

NEREDE

Her önayar satırına sağ tıklama → ilk girdi „Export…".

TEKNİK

I5 (Export… düğmesi) ile aynı işlevsellik, ama daha rahat erişilebilir — önayarın önce seçili olması gerekmez. Doğrudan satırda tıklanan önayarı dışa aktarır. Tüm önayar kategorileri için aynı şekilde çalışır (Built-in veya Custom), kısıtlama yok. Dışa aktarma Built-in bayrağını ve orijinal kategoriyi içerir, ama yeniden içe aktarmada kategori I6'da açıklandığı gibi Custom'a eşlenir.

NEREDE

Her önayar satırına sağ tıklama → ikinci girdi „Duplicate".

TEKNİK

Önayarı Custom kategorisine klonlar. Yeni bir iç ID oluşturur, adın sonuna „ Copy" ekler ve kopyayı kaydeder. Built-in önayarlar için de çalışır — klon o zaman düzenlenebilir olur. Orijinal dokunulmamış kalır. TrainingConfig değer değer kopyalanır (JSON gidip dönüş), böylece orijinal ile kopya arasında referans bağı yoktur.

NEREDE

Kendi önayar satırlarına sağ tıklama → son girdi „Delete" (kırmızı, yıkıcı).

TEKNİK

Yalnızca Custom önayarlar için görünür. Built-in'ler silinemez. Girdi yıkıcı olarak işaretlenmiştir, bağlam menüsünde kırmızı görünür ve yanlışlıkla tıklanmaması için bir ayırıcının arkasına yerleştirilmiştir. Onay diyaloğu yoktur — bir tıklama önayarı hemen siler. Silinen önayar kurtarılamaz (Cmd-Z burada çalışmaz — mevcut yapıda Undo yalnızca görüntü listesi için vardır, önayar işlemleri için değil). Silinen önayar şu anda etkinse, mevcut TrainingConfig değişmez, yalnızca etkin önayar seçimi nullenir.

NEREDE

Inspector → Önayarlar bölümü → her kategori başlığı (Classic, MCMC, SceneClass, Custom).

TEKNİK

Kategoriye göre farklı varsayılanla katlama durumu: Classic açık başlar, MCMC, SceneClass ve Custom kapalı başlar. Durum kalıcı değildir — uygulama yeniden başlatıldığında tüm kategoriler yine varsayılan durumda olur. Chevron oku animasyonlu döner. Başlığın sağındaki sayı, bu kategorideki önayar sayısını gösterir. Tıklama tepki alanı tüm başlık alanını kapsar.

NEREDE

Inspector → Eğitim Yapılandırması → Camera Alignment (üstte segmentli seçici).

TEKNİK

İki seçenekli segmentli seçici: Apple Photogrammetry ve Native (Beta). Seçim, bir sonraki kamera yeniden yapılandırmasında kullanılacak SfM arka ucunu belirler. Aynı anda hangi ek Inspector ögelerinin görünür olacağını da etkiler: Native, yalnızca EXIF'siz video kareleri için gerekli FOV Override'ı (I13) ek olarak gösterir. Not: Çok büyük dış mekân çekimleri için harici bir aracın (Metashape veya COLMAP) sonucunu Workspace içe aktarma üzerinden yükleyebilirsin — Bölüm 1'e (M5) ve Bölüm 9'a (Q3, Q6) bak.

NEREDE

Inspector → Eğitim Yapılandırması → FOV Override (yalnızca Camera Alignment = Native ise görünür).

TEKNİK

Sayısal metin alanı (Aralık 0-170°), Varsayılan 0 = EXIF veya sezgisel yöntemden otomatik belirleme. Manuel girdi, girdi görüntüleri odak uzaklığı meta verisi içermeyen bir videodan çıkarıldığında gereklidir. Tipik değerler: iPhone Wide ≈ 73°, DJI Mavic Wide-Crop ≈ 70°, Tam kare sensörlü dron ≈ 84°. Değer [0, 170] aralığına sıkıştırılır — dışındaki değerler doğrudan geri itilir. Yalnızca yerel SfM pipeline'ını etkiler (Q4/Q5); Apple Photogrammetry bu değeri tamamen yok sayar.

NEREDE

Inspector → Eğitim Yapılandırması → Densification (segmentli seçici, her zaman görünür).

TEKNİK

İki Densification stratejisi arasında geçiş yapar: Classic (Clone/Split/Prune ve gradyan eşiğiyle orijinal 3DGS yöntemi) ve MCMC (Yeniden konumlandırmayla stokastik gradyan Langevin dinamiği, NeurIPS 2024). Classic'ten MCMC'ye geçişte uygulama, MCMC'ye özgü alanları test edilmiş varsayılan değerlere otomatik olarak ayarlar (Reg-Weights = 0, MCMC-Cap-Multiplier 3.0, Sample/Noise schedule). Bu otomatik başlatma olmadan eski önayarlı oturumlar 1.4.4 MCMC çöküş hatasından (460K→5 Gaussian, watchdog kill) etkilenirdi. Seçim ayrıca hangi Inspector ögelerinin görüneceğini belirler — MCMC'de I16/I17 belirir. Bölüm 6'da, T11–T16 (Classic) ve T61–T73 (MCMC) detaylı alan etkisi.

NEREDE

Inspector → Eğitim Yapılandırması → MCMC Quality (yalnızca Densification = MCMC ise).

TEKNİK

Gradyan birikimini 2 adıma (etkin) veya 1 adıma (etkin değil) çevirir. Optimizer adımı yürütülmeden önce iki ardışık kamera görünümünden gradyanları biriktirir. Ampirik olarak (Oturum 33, V544a) son L1 hatasını yaklaşık %6 azaltır (Horse-Full-MCMC'de 3 deneme ortalamasında Quality ile 0.0246, Quality olmadan 0.0261). Bedeli: iki katı eğitim süresi. Çok uzun eğitimlerde (200K iterasyon) bu ek 10+ dakika bekleme süresi getirir — yani yalnızca son birkaç yüzde kalite gerçekten gerektiğinde değer. Yalnızca eğitimi etkiler, dışa aktarma biçimini veya görüntüleyici görünümünü etkilemez.

NEREDE

Inspector → Eğitim Yapılandırması → Auto-scale by scene (yalnızca MCMC'de).

TEKNİK

Etkinse, etkili Maks Gaussian üst sınırını SfM başlangıç nokta sayısı × MCMC üst sınır çarpanıyla (Varsayılan 3.0) ölçeklendirir. Örnek: SfM 250K başlangıç noktası sağlar, taban üst sınır = 150K, çarpan 3.0 → etkili üst sınır = max(150K, 750K) = 750K. Devre dışıyken yalnızca taban geçerlidir. v1.4.5 için tanıtıldı, çünkü 1000'den fazla kare ile büyük dış mekân çekimlerinde ve buna karşılık gelen yüksek SfM nokta yoğunluğunda, sabit 150K üst sınır varsayılanı Densification'ı aç bırakıyordu — gereksiz noktalar kalıyordu, yenileri oluşamıyordu. Custom önayarlarında varsayılan KAPALI, MCMC Built-in'lerde AÇIK. Yalnızca eğitim sırasında etkilidir, dışa aktarmada değil.

NEREDE

Inspector → Eğitim Yapılandırması → GroupBox → Max Iterations.

TEKNİK

Aralık 1 000–100 000, adım 1 000 olan stepper. Toplam optimizer iterasyon sayısını belirler. Eğitim süresi ile doğrusal ilişkilidir (yarıya bölme = yaklaşık %50 süre). Ampirik tatlı noktalar: 20K (Classic Balanced, L1≈0.028), 40K (Classic Quality, L1≈0.023), 200K (MCMC Full, L1≈0.0246). Classic'te 40K üzeri ortalama olarak neredeyse iyileşme getirmez — Diminishing Returns. Değişimde Link işlevi (I19) etkinse, Densify Until orantılı olarak birlikte sürüklenir (Varsayılan oran: 0.5, yani Densify-Until = Max/2).

NEREDE

Inspector → Eğitim Yapılandırması → GroupBox → Max Iterations ile Densify Until arasındaki küçük Link düğmesi.

TEKNİK

Densify Until'in Max Iterations'a oranını donduran anahtar düğme. Etkinde (Link simgesi vurgulu) Max Iterations'taki her değişiklikte Densify Until orantılı olarak çekilir. Unlink'te (Link artı simgesi) değerler bağımsız kalır. Varsayılan linkedir, çünkü bu tipik korelasyonu yansıtır — eğitimi iki kat iterasyona çekersen, çoğunlukla Densification'ı da orantılı olarak daha uzun çalıştırmak istersin. Oran, Link düğmesini ayarlarken mevcut değerden hesaplanır; tipik bir oran 0.5'tir (Densify-Until = iterasyon sayısının yarısı).

NEREDE

Inspector → Eğitim Yapılandırması → GroupBox → Densify Until.

TEKNİK

Aralık 500–50 000, adım 500 olan stepper. Clone/Split (Classic) veya Yeniden Konumlandırma (MCMC) yoluyla artık yeni Gaussian eklenmediği iterasyon endeksini belirler. Ulaşıldıktan sonra yalnızca konum ve renk ince ayar yapılır. Daha yüksek değerler = daha fazla Gaussian = daha büyük dosya, daha uzun iterasyon başına süre (adım başına +%30-60 GPU süresi). Tipik değerler: 15K (30K Max-Iter için), 20K (40K için), 100K (200K MCMC için). Link etkinse (I19) otomatik olarak birlikte ölçeklenir. Classic vs MCMC'de farklı etki eder: Classic büyümeyi tamamen durdurur, MCMC yeniden konumlandırma mantığını durdurur, ama örnek/gürültü uyarlaması çalışmaya devam eder.

NEREDE

Inspector → Eğitim Yapılandırması → GroupBox → SSIM Weight.

TEKNİK

0.0–1.0 arası, 0.05 adımda kaydırıcı, „0.20" olarak gösterilir. L1 kaybını (0.0) ve SSIM kaybını (1.0) karıştırır. L1 piksel başına parlaklığı sıkılaştırır, SSIM yapısal benzerliği (kenarlar, yerel istatistikler). Varsayılan 0.2, orijinal 3DGS makalesinin (Kerbl 2023) değeridir ve çok sayıda oturumda dayanıklı uzlaşma olarak tersine mühendislikle bulunmuştur. Daha yüksek değerler (0.5+) detay korumayı destekler ama yerel parlaklık hatalarını yok sayabilir. Daha düşük değerler (< 0.1) keskin kenarlarda detay kaybına yol açar. SSIM hesaplama shader'da 11×11 Gaussian pencereyle çalışır. Performans: 0.0'da (yalnızca L1) eğitim yaklaşık %8-12 daha hızlıdır, çünkü SSIM hesaplama shader'da atlanır.

NEREDE

Inspector → Eğitim Yapılandırması → GroupBox → Render Scale.

TEKNİK

0.25–1.0 arası, 0.25 adımda kaydırıcı, „100%" olarak gösterilir. Eğitim render çözünürlüğünü kaynak görüntü boyutuna göre ölçeklendirir. Performans üzerinde en büyük kaldıraç: %50 GPU süresini yaklaşık %75 azaltır (çünkü 4× daha az piksel), %25 yaklaşık %94. Gradyan eşiği otomatik olarak birlikte ölçeklenir. Kaydırıcının altında MP cinsinden canlı çözünürlük gösterimi belirir (ör. „2304×1296 (3.0 MP)"). Mevcut değer önerilenden farklıysa turuncu yazıyla „— recommended: 50%" gösterilir. Öneri ~3 MP etkin çözünürlüğü hedefler — Apple Silicon GPU'ları tarafından en verimli işlenen aralık. 4K kaynak görüntüleri örneğin otomatik olarak %25 önerilir, FullHD görüntüleri %100. Değişiklik ek olarak buffer yeniden tahsisini de tetikler.

NEREDE

Inspector → Enhancements → Post-Training Compactification.

TEKNİK

V443 son işlemeyi etkinleştirir: Eğitim iterasyonları tamamlandıktan sonra opaklığı 0.01'in (görünürlük %1) altındaki Gaussian'lar silinir. Ampirik olarak görsel kalite kaybı sıfır olarak dosya boyutunu ~%55-58 azaltır — çünkü bu Gaussian'lar görsel olarak zaten katkıda bulunmuyor. Compactification GPU compact geçişi olarak çalışır ve Gaussian sayısına göre saniyenin parçası ile birkaç saniye arasında sürer. Eğitim performansını etkilemez. Bu anahtar kapalıysa görünmez Gaussian'lar da dışa aktarılır — yalnızca biçimi başka bir eğitim aşaması için kullanmak istiyorsan ilgilidir (Continue Training), aksi takdirde bellek israfıdır.

NEREDE

Inspector → Enhancements → MetalFX Spatial Upscaling.

TEKNİK

Görüntüleyici render'cısında Apple'ın MetalFX uzaysal yukarı ölçekleyicisini etkinleştirir. Eğitim çözünürlüğü (I22 Render Scale ile) görüntüleyici boyutundan düşükse, MetalFX render edilen kareyi ML tabanlı olarak görüntüleme boyutuna yukarı ölçekler. Tüm ölçeklendirme seçeneklerinin en keskin sonuçlarını sağlar, çünkü ML yukarı ölçekleyici modeli keskin kenarlar için optimize edilmiştir. Render'cı pipeline'ı değiştirildiğinde canlı yeniden yapılandırılır — yeniden başlatmadan hemen görünür. MPS Lanczos'a (I28) göre önceliği vardır: İkisi de etkinse MetalFX kazanır. Görüntüleyicide kare başına performans ek yükü M3 GPU'larda yaklaşık 1-2ms. Yalnızca canlı görüntüleyicide etkili, render edilmiş dışa aktarmalara değil (orbit video, ekran görüntüsü) — bunlar tam kaynak çözünürlüğünde render edilir.

NEREDE

Inspector → Enhancements → MPS Lanczos Scaling.

TEKNİK

Lanczos yeniden örneklemesiyle Apple'ın Metal Performance Shaders'ını görüntüleyici yukarı ölçekleyici olarak etkinleştirir. Lanczos, 8-tap sinc filtresiyle klasik yeniden örnekleme — bilinear'dan keskin, ML olmadan klasik algoritma. Render'cı pipeline'ı değiştirildiğinde canlı yeniden yapılandırılır. MetalFX (I27) de etkinse yok sayılır. Minimum ek yük (kare başına <0.5ms), ama kalite MetalFX'in altında. Uygulama: MetalFX'in eserler ürettiği (ör. ML yukarı ölçekleyicinin zaman zaman „düzlettiği" güçlü çizgi yapıları) sahneler için geri dönüş. I27 gibi yalnızca canlı görüntüleyicide etkilidir, dışa aktarmalarda değil.

NEREDE

Inspector → Enhancements → Perceptual Loss.

TEKNİK

0.0–0.2 arası, 0.01 adımda kaydırıcı, 0.0'da „Off" olarak, aksi takdirde „0.05" vb. olarak gösterilir. Render'ın çoklu ölçekli Gaussian bulanıklığını ground truth görüntüyle karşılaştıran ek bir kayıp terimini etkinleştirir (3 bulanıklık ölçeği). L1+SSIM tek başına algılamayan yapısal farkları yakalar. V460 uygulaması. Ampirik olarak 0.05-0.1 arası bir değer oturumlarda L1 puanını birkaç yüzde iyileştirir ama ~%5 eğitim süresine mal olur (bulanıklık çekirdekleri üzerinden ek forward geçişi). 0.15 üzerinde eğitim istikrarsızlaşır ve L1 yine kötüleşir (kayıp terimi optimizasyona egemen olur). Eğitim sırasında etkilidir, son işlemede değil — yani „Enhancements" bölümündeki konumuna rağmen bu, sonradan saf bir iyileştirme değildir.

NEREDE

Inspector → Metrikler → Iteration. Salt okunur.

TEKNİK

„4523 / 40000" biçiminde gösterim — toplam planlanan iterasyonlar üzerinde mevcut iterasyon. Değerleri her ~30 iter'de gönderen eğitim döngüsüyle senkron sayar. İkinci sayı, başlangıç anındaki Max Iterations değerine karşılık gelir; kullanıcı stepper'ı daha sonra değiştirirse bile değişmez — çalışan çalıştırma kendi anlık görüntü kopyasını kullanır. Uygulama Training menüsünden iterasyon eklediğinde (Continue Training +5K/+10K/+20K) payda artar.

NEREDE

Inspector → Metrikler → Loss. Salt okunur.

TEKNİK

Altı ondalık basamaklı float değeri (ör. „0.024385"). Birleştirilmiş L1+SSIM kaybını (karışım I21 SSIM Weight üzerinden kontrol edilir) artı isteğe bağlı Perceptual Loss (I29) ve diğer düzenleyicileri ölçer. Ölçek mutlak değildir, sahneye bağlıdır — çoğu karşılaştırma için aynı veri setini gerektirir. İyi yapılandırmalarda tipik son değerler: - Classic Quality 40K iter: 0.022–0.025 (Horse, Truck, Garden) - MCMC Full 200K iter: 0.024–0.028 - Dış mekân dronu 30K: 0.030–0.060 (geometriye bağlı olarak daha kötü) - İç mekân daireler: 0.018–0.025

5K iterasyondan sonra 0.10 üzerindeki değerler SfM sorunlarına (kötü kamera pozları) işaret eder — iptal et ve SfM'yi yeniden hesapla.

NEREDE

Inspector → Metrikler → Learning Rate. Salt okunur.

TEKNİK

Bilimsel notasyon gösterimi (ör. „1.60e-04"). Konum parametreleri için mevcut öğrenme hızı (3DGS'in konum, SH-DC, SH-Rest, opaklık, ölçek, dönüş için altı bağımsız LR'si vardır — burada temsili büyüklük olarak konum LR'si gösterilir). Varsayılan başlangıç değeri 1.6e-4, üstel azalma üzerinden eğitim sonunda ~1.6e-6'ya iner. Azalma, Eğitim Yapılandırması'ndaki LR Schedule alanı üzerinden (Bölüm 6'da T alanı) ayarlanabilir. LR olağandışı şekilde yüksek kalırsa (ör. 10K iterasyondan sonra 1e-3 veya daha fazla), bu yanlış yüklenmiş bir yapılandırmaya işaret edebilir.

NEREDE

Inspector → Metrikler → SH Degree. Salt okunur.

TEKNİK

0-3 tam sayı. Renk temsili için küresel harmonik derecesi. 0'da başlar (yalnızca DC bileşeni, yani Gaussian başına yön bağımsız renk — yani yalnızca bir RGB sabiti) ve eğitim seyrinde aşamalı olarak 3'e yükselir. Standart schedule, 1000/2000/3000 iterasyonlarda dereceyi 1'er yükseltir. SH-3, Gaussian başına 48 renk katsayısına karşılık gelir (3 RGB kanalı × 16 SH taban fonksiyonu). Daha yüksek SH derecesi = daha yön bağımlı yansıma (parlak yüzeyler farklı bakış açılarından doğru biçimde farklı görünür), ama daha fazla bellek ve daha yavaş eğitim.

NEREDE

Inspector → Metrikler → Gaussians. Salt okunur.

TEKNİK

Modeldeki mevcut Gaussian sayısı, yerel ayrım sembolüyle biçimlendirilir (ör. „524.318"). Büyüme: - Classic: SfM başlangıç noktalarında (tipik 50K-300K) başlar, Densify Until'in hemen öncesine kadar Clone/Split ile büyür, sonra eğitim sonuna kadar statik (budama hariç) - MCMC: Örnek noktaları MCMC üst sınırına kadar eklenir, sonra yalnızca yeniden konumlandırma

Sağlıklı son değerler: - Classic Quality: 400K-700K (Horse 524K, Garden 800K) - MCMC Full: tam olarak üst sınırda (Varsayılan 150K, Auto-Scale çarpanı × SfM sayısına göre sahneye bağlı 500K-1.5M)

MCMC'de sayı üst sınırın < %60'ına düşerse → anomali (çöküş göstergesi, çok agresif düzenleyicilere işaret eder).

NEREDE

Inspector → Metrikler → GPU Memory. Salt okunur.

TEKNİK

Gaussian buffer bellek tüketiminin tahmini, Gaussian sayısı × 616 bayt olarak (bellek stilinde biçimlendirilmiş). 616 bayt, tam donanımlı bir Gaussian'ın (konum, ölçek, dönüş, opaklık, SH katsayıları derecesi 3, gradyan biriktiricisi) ampirik boyutudur. Gösterim render'cı ek yükünü (tile buffer, sort buffer, backward buffer) içermez — gerçek GPU bellek ihtiyacı tipik olarak bu değerin 2-3× üzerindedir. 500K Gaussian'da: gösterilen ~290 MB, gerçek ~700 MB. 1.5M Gaussian'da: gösterilen ~880 MB, gerçek ~2.5 GB. 64+ GB Unified Memory'li M3 Max'ta kritik değildir, 18 GB'lı M3 Pro'da zaten bir limit.

NEREDE

Inspector → Metrikler → Speed. Salt okunur.

TEKNİK

Bir ondalık basamakla saniyede iterasyon („24.3 it/s"). Eğitici tarafından son ~100 iterasyon üzerinden kayan ortalama olarak hesaplanır. Tipik değerler: - Quick önayar (1K iter): 80-120 it/s (kısa, steady state yok) - Classic 20K @ 1.0 Render Scale (Truck sahnesi, M3 Max): 25-35 it/s - Classic 20K @ 0.5 Render Scale: 80-120 it/s - MCMC 200K @ 0.5 Render Scale: 25-50 it/s (yeniden konumlandırma nedeniyle daha yavaş) - 1M+ Gaussian ve tam çözünürlükte: < 10 it/s

Eğitim seyrinde hızın azalması normaldir — daha fazla Gaussian = iterasyon başına daha fazla compute. Ani düşüşler (ör. 30 → 5 it/s) GPU termal throttling'e veya yarışan uygulamalara işaret eder.

NEREDE

Inspector → Metrikler → Elapsed. Salt okunur.

TEKNİK

Geçmiş süre olarak „4:23" (m:ss) veya „1:23:45" (h:mm:ss). Biçim 1 saatten itibaren geçer. Yalnızca saf eğitim süresini ölçer, öncesinde gelen aşamaları (SfM hesaplama, görüntü içe aktarma) ölçmez. Duraklat/Sürdür'de saat çalışmaya devam eder — yani wall clock, CPU süresi değil.

NEREDE

Inspector → Metrikler → ETA. Salt okunur.

TEKNİK

Kalan süre tahmini olarak „17:42" veya „1:12:35". Hesaplama: (Max Iterations − mevcut iterasyon) / saniyedeki iterasyon. Hız şu an sıfırsa „–" gösterir (en başta veya duraklatmada). Tahmin, eğitim sonuna doğru tipik yavaşlamaya uyarlanmaz — özellikle MCMC ve büyük Densify-Until değerli Classic'te eğitim, daha fazla Gaussian görüntüye girdiği için yavaşlamaya eğilimlidir. Gerçek, tipik olarak başlangıç ETA'sının %10-20 üzerinde kalır.

NEREDE

Inspector → Kayıp Diyagramı → sol etiket alanı „Current: 0.0287". Salt okunur.

TEKNİK

Son Loss örnek noktasının float değeri, dört ondalık basamakla biçimlendirilir. Metrik bölümündeki I31 (Loss) ile aynı, sadece burada daha kompakt biçimlendirilmiştir. Kaynak Loss History — her ~30 iterasyonda bir girdi alan bir liste. Yalnızca sonlu değerler listeye alınır — NaN/Infinity (çok nadir, gradyan patlaması hatası durumunda) filtrelenir.

NEREDE

Inspector → Kayıp Diyagramı → sağ etiket alanı „Min: 0.0245" (yeşil). Salt okunur.

TEKNİK

Mevcut eğitim çalıştırmasının şimdiye kadar görülmüş tüm Loss değerlerinin minimumu. Loss History'den canlı yeniden hesaplanır — ayrı kalıcılık yok. Yeşil yazıyla gösterilir, çünkü „Min" = „Şu ana kadar en iyi". Grafik alt kenarındaki kesik yeşil çizgi bu Y konumunu görsel olarak işaretler. Continue Training oturumlarında minimum izleme yeniden başlar — eski history UI'da yenisi tarafından değiştirilir (eklenmez). Mevcut eğitim öncekinden daha kötü çalışıyorsa, Min gösterimi önceki son sonuçtan daha büyük olabilir.

NEREDE

Inspector → Kayıp Diyagramı → altındaki ikinci grafik (turuncu). Salt okunur.

TEKNİK

Gaussian sayısının eğitim iterasyonları üzerindeki çizgi diyagramı. Kaynak: Gaussian Count history (eğitici tarafından her ~30 iter doldurulan (Iter, Count) çiftlerinin listesi). Y ölçeği history'nin minimum ile maksimumu arasında dinamik. Classic stratejisinde eğri tipik olarak şöyle görünür: Densify Until'e kadar sürekli yükselir, sonra düz (küçük budama dalgalanmaları ile). MCMC'de: üst sınıra kadar dik yükseliş, sonra yatay çizgi (yeniden konumlandırma sayıyı sabit tutar). Eğri etkin eğitime rağmen düşerse, Densification çok agresif budar — yanlış varsayılanlara veya bilinen MCMC çöküş hatasına (v1.4.4 hotfix konusu) işaret eder.