> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/3d-generierung/triposr.md).

# TripoSR

Generiere 3D-Modelle aus einzelnen Bildern mit TripoSR auf Clore.ai

Erzeuge 3D-Modelle aus einzelnen Bildern in weniger als einer Sekunde.

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über [CLORE.AI-Marktplatz](https://clore.ai/marketplace).
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen [CLORE.AI-Marktplatz](https://clore.ai/marketplace)
2. Filtern nach GPU-Typ, VRAM und Preis
3. Wähle **On-Demand** (Festpreis) oder **Spot** (Gebotspreis)
4. Konfiguriere deine Bestellung:
   * Docker-Image auswählen
   * Ports festlegen (TCP für SSH, HTTP für Web-UIs)
   * Bei Bedarf Umgebungsvariablen hinzufügen
   * Startbefehl eingeben
5. Zahlung auswählen: **CLORE**, **BTC**, oder **USDT/USDC**
6. Bestellung erstellen und auf die Bereitstellung warten

### Greife auf deinen Server zu

* Verbindungsdetails finden in **Meine Bestellungen**
* Web-Oberflächen: Verwende die HTTP-Port-URL
* SSH: `ssh -p <port> root@<proxy-address>`

## Was ist TripoSR?

TripoSR von Stability AI und Tripo AI ermöglicht:

* Generierung von 3D-Meshes aus einem einzelnen Bild
* Inferenzgeschwindigkeit unter einer Sekunde
* Hochwertige texturierte Meshes
* Export nach OBJ, GLB und anderen Formaten

## Ressourcen

* **GitHub:** [VAST-AI-Research/TripoSR](https://github.com/VAST-AI-Research/TripoSR)
* **HuggingFace:** [stabilityai/TripoSR](https://huggingface.co/stabilityai/TripoSR)
* **Paper:** [TripoSR-Paper](https://arxiv.org/abs/2403.02151)
* **Demo:** [HuggingFace Space](https://huggingface.co/spaces/stabilityai/TripoSR)

## Empfohlene Hardware

| Komponente | Minimum        | Empfohlen      | Optimal       |
| ---------- | -------------- | -------------- | ------------- |
| GPU        | RTX 3060 12 GB | RTX 4080 16 GB | RTX 4090 24GB |
| VRAM       | 8 GB           | 12 GB          | 16 GB         |
| CPU        | 4 Kerne        | 8 Kerne        | 16 Kerne      |
| RAM        | 16 GB          | 32 GB          | 64 GB         |
| Speicher   | 20GB SSD       | 50 GB NVMe     | 100 GB NVMe   |
| Internet   | 100 Mbit/s     | 500 Mbit/s     | 1 Gbit/s      |

## Schnellbereitstellung auf CLORE.AI

**Docker-Image:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Ports:**

```
22/tcp
7860/http
```

**Befehl:**

```bash
cd /workspace && \
git clone https://github.com/VAST-AI-Research/TripoSR.git && \\
cd TripoSR && \\
pip install -r requirements.txt && \
python gradio_app.py
```

## Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine `http_pub` URL in **Meine Bestellungen**:

1. Gehe zu **Meine Bestellungen** Seite
2. Klicke auf deine Bestellung
3. Finde die `http_pub` URL (z. B. `abc123.clorecloud.net`)

Verwende `https://YOUR_HTTP_PUB_URL` anstelle von `localhost` in den folgenden Beispielen.

## Installation

```bash
git clone https://github.com/VAST-AI-Research/TripoSR.git
cd TripoSR
pip install -r requirements.txt

# Das Modell wird beim ersten Ausführen automatisch heruntergeladen
```

## Was du erstellen kannst

### Gaming & VR

* Konzeptkunst in 3D-Assets umwandeln
* Schnelles Prototyping für Spielobjekte
* Generierung von Charaktermodellen
* Umgebungsrequisiten

### E-Commerce

* 3D-Visualisierung von Produkten
* AR-Anprobeerlebnisse
* 360-Grad-Produktansichten
* Virtuelle Showrooms

### Architektur

* Schnelle 3D-Modelle aus Skizzen
* Visualisierung von Innenarchitektur
* Möbelprototypen
* Generierung von Bauelementen

### Bildung

* 3D-Modelle für Lernmaterialien
* Wissenschaftliche Visualisierung
* Rekonstruktion historischer Artefakte
* Anatomiemodelle

### Kreative Projekte

* Digitale Kunst und NFTs
* Animations-Assets
* Vorbereitung für den 3D-Druck
* Meme- und Avatar-Erstellung

## Grundlegende Verwendung

### Kommandozeile

```bash
python run.py input_image.png \\
    --output-dir output/ \\
    --render
```

### Python-API

```python
import torch
from PIL import Image
from tsr.system import TSR
from tsr.utils import remove_background, save_video

# Modell laden
model = TSR.from_pretrained(
    "stabilityai/TripoSR",
    config_name="config.yaml",
    weight_name="model.ckpt"
)
model.to("cuda")

# Bild laden und vorverarbeiten
image = Image.open("input.png")

# 3D-Mesh generieren
with torch.no_grad():
    scene_codes = model([image], device="cuda")

# Mesh extrahieren
meshes = model.extract_mesh(scene_codes)

# Mesh speichern
meshes[0].export("output.obj")
```

### Mit Hintergrundentfernung

```python
from tsr.system import TSR
from tsr.utils import remove_background
from PIL import Image

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

# Bild laden und Hintergrund entfernen
image = Image.open("photo.jpg")
image_no_bg = remove_background(image)

# 3D generieren
with torch.no_grad():
    scene_codes = model([image_no_bg], device="cuda")

mesh = model.extract_mesh(scene_codes)[0]
mesh.export("model.glb")  # Als GLB für das Web exportieren
```

## Batch-Verarbeitung

```python
import os
from PIL import Image
import torch
from tsr.system import TSR
from tsr.utils import remove_background

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

input_dir = "./images"
output_dir = "./3d_models"
os.makedirs(output_dir, exist_ok=True)

images_to_process = []
filenames = []

for filename in os.listdir(input_dir):
    if not filename.endswith(('.jpg', '.png')):
        continue

    image = Image.open(os.path.join(input_dir, filename))
    image_no_bg = remove_background(image)
    images_to_process.append(image_no_bg)
    filenames.append(filename)

# In Batches verarbeiten
batch_size = 4
for i in range(0, len(images_to_process), batch_size):
    batch = images_to_process[i:i+batch_size]
    batch_names = filenames[i:i+batch_size]

    with torch.no_grad():
        scene_codes = model(batch, device="cuda")

    meshes = model.extract_mesh(scene_codes)

    for mesh, name in zip(meshes, batch_names):
        output_name = name.rsplit('.', 1)[0] + '.obj'
        mesh.export(os.path.join(output_dir, output_name))
        print(f"Generiert: {output_name}")
```

## Exportformate

```python
from tsr.system import TSR
from PIL import Image

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

image = Image.open("input.png")

with torch.no_grad():
    scene_codes = model([image], device="cuda")

mesh = model.extract_mesh(scene_codes)[0]

# Verschiedene Exportformate
mesh.export("model.obj")   # Wavefront OBJ
mesh.export("model.glb")   # GLTF Binary (webbereit)
mesh.export("model.ply")   # PLY-Format
mesh.export("model.stl")   # STL (3D-Druck)
```

## Vorschauvideo rendern

```python
from tsr.system import TSR
from tsr.utils import save_video
from PIL import Image
import torch

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

image = Image.open("input.png")

with torch.no_grad():
    scene_codes = model([image], device="cuda")

# 360-Grad-Video rendern
render_images = model.render(
    scene_codes,
    n_views=30,
    return_type="pil"
)

save_video(render_images[0], "preview.mp4", fps=30)
```

## Gradio-Oberfläche

```python
import gradio as gr
import torch
from PIL import Image
from tsr.system import TSR
from tsr.utils import remove_background
import tempfile

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

def generate_3d(image, remove_bg, output_format):
    if remove_bg:
        image = remove_background(image)

    with torch.no_grad():
        scene_codes = model([image], device="cuda")

    mesh = model.extract_mesh(scene_codes)[0]

    with tempfile.NamedTemporaryFile(suffix=f".{output_format}", delete=False) as f:
        mesh.export(f.name)
        return f.name, image

demo = gr.Interface(
    fn=generate_3d,
    inputs=[
        gr.Image(type="pil", label="Eingabebild"),
        gr.Checkbox(label="Hintergrund entfernen", value=True),
        gr.Dropdown(choices=["obj", "glb", "ply", "stl"], value="glb", label="Ausgabeformat")
    ],
    outputs=[
        gr.File(label="3D-Modell"),
        gr.Image(label="Verarbeitete Eingabe")
    ],
    title="TripoSR - Bild zu 3D",
    description="Erzeuge 3D-Modelle aus einzelnen Bildern in Sekunden. Läuft auf CLORE.AI GPU-Servern."
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## Mit Mesh-Verfeinerung

```python
from tsr.system import TSR
from PIL import Image
import torch

model = TSR.from_pretrained("stabilityai/TripoSR")
model.to("cuda")

image = Image.open("input.png")

with torch.no_grad():
    scene_codes = model([image], device="cuda")

# Mit höherer Auflösung extrahieren
mesh = model.extract_mesh(
    scene_codes,
    resolution=256  # Höher = mehr Details, Standard ist 128
)[0]

mesh.export("high_detail.obj")
```

## Leistung

| Auflösung      | GPU      | Geschwindigkeit | Qualität |
| -------------- | -------- | --------------- | -------- |
| 128 (Standard) | RTX 3090 | 0.5s            | Gut      |
| 128            | RTX 4090 | 0.3s            | Gut      |
| 256            | RTX 4090 | 1.2s            | Besser   |
| 256            | A100     | 0.8s            | Besser   |

## Häufige Probleme & Lösungen

### Schlechte 3D-Qualität

**Problem:** Das generierte Mesh sieht falsch aus oder ist verzerrt

**Lösungen:**

* Verwende Bilder mit klarem Motiv und einfachem Hintergrund
* Vor der Verarbeitung den Hintergrund entfernen
* Verwende die frontale Ansicht des Objekts
* Sorge für gute Beleuchtung im Quellbild

```python

# Für beste Ergebnisse immer den Hintergrund entfernen
from tsr.utils import remove_background

image = Image.open("photo.jpg")
clean_image = remove_background(image)
```

### Hintergrundentfernung schlägt fehl

**Problem:** Die Hintergrundentfernung hinterlässt Artefakte

**Lösungen:**

* Mit einem speziellen Tool wie rembg vorverarbeiten
* Den Bildhintergrund manuell bearbeiten
* Verwende Bilder mit einfachem Hintergrund

```bash
pip install rembg
```

```python
from rembg import remove
from PIL import Image

image = Image.open("photo.jpg")
image_no_bg = remove(image)
image_no_bg.save("clean.png")
```

### Speicher erschöpft

**Problem:** CUDA-OOM bei hoher Auflösung

**Lösungen:**

```python

# Niedrigere Auflösung verwenden
mesh = model.extract_mesh(scene_codes, resolution=128)

# Oder den Cache zwischen den Batches leeren
import torch
torch.cuda.empty_cache()
```

### Mesh hat Löcher

**Problem:** Dem generierten Mesh fehlen Teile

**Lösungen:**

* Eine Extraktion mit höherer Auflösung verwenden
* Versuche einen anderen Betrachtungswinkel des Motivs
* Mesh in Blender oder MeshLab nachbearbeiten
* Verwende Bilder, bei denen das Objekt vollständig sichtbar ist

### Langsame Verarbeitung

**Problem:** Dauert pro Bild zu lange

**Lösungen:**

* Batch-Verarbeitung für mehrere Bilder verwenden
* Niedrigere Auflösung für Prototyping verwenden
* Eine RTX 4090 oder A100 GPU verwenden

## Fehlerbehebung

### Schlechte 3D-Mesh-Qualität

* Verwende Bilder mit klaren Objektgrenzen
* Hintergrund entfernen oder maskieren
* Frontalansichten funktionieren am besten

### Export schlägt fehl

* Prüfe, ob das Ausgabeverzeichnis existiert
* Verifizieren, dass das Mesh-Format unterstützt wird
* Stelle sicher, dass genügend Speicherplatz vorhanden ist

### Textur fehlt

* Einige Exporte enthalten keine Textur
* Verwende das GLB-Format für texturierte Ausgaben
* Überprüfe die Material-Exporteinstellungen

{% hint style="danger" %}
**Speicher voll**
{% endhint %}

* TripoSR ist effizient, benötigt aber 6 GB+
* Ausgabeauflösung reduzieren
* Jeweils ein Bild verarbeiten

## Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

| GPU       | Stundensatz | Tagessatz | 4-Stunden-Sitzung |
| --------- | ----------- | --------- | ----------------- |
| RTX 3060  | \~$0.03     | \~$0.70   | \~$0.12           |
| RTX 3090  | \~$0.06     | \~$1.50   | \~$0.25           |
| RTX 4090  | \~$0.10     | \~$2.30   | \~$0.40           |
| A100 40GB | \~$0.17     | \~$4.00   | \~$0.70           |
| A100 80GB | \~$0.25     | \~$6.00   | \~$1.00           |

*Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie* [*CLORE.AI-Marktplatz*](https://clore.ai/marketplace) *für aktuelle Preise.*

**Geld sparen:**

* Nutzen Sie den **Spot** Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf
* Bezahlen Sie mit **CLORE** Tokens
* Vergleichen Sie Preise zwischen verschiedenen Anbietern

## Nächste Schritte

* Stable Diffusion - Eingabebilder generieren
* [IC-Light](/guides/guides_v2-de/bildverarbeitung/iclight.md) - Bilder vor 3D neu ausleuchten
* ComfyUI - Workflow-Integration


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/3d-generierung/triposr.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.