> 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-fr/generation-3d/triposr.md).

# TripoSR

Générez des modèles 3D à partir d'images uniques en moins d'une seconde.

{% hint style="success" %}
Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Location sur CLORE.AI

1. Visitez [CLORE.AI Marketplace](https://clore.ai/marketplace)
2. Filtrer par type de GPU, VRAM et prix
3. Choisir **À la demande** (tarif fixe) ou **Spot** (prix d'enchère)
4. Configurez votre commande :
   * Sélectionnez l'image Docker
   * Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)
   * Ajoutez des variables d'environnement si nécessaire
   * Entrez la commande de démarrage
5. Sélectionnez le paiement : **CLORE**, **BTC**, ou **USDT/USDC**
6. Créez la commande et attendez le déploiement

### Accédez à votre serveur

* Trouvez les détails de connexion dans **Mes commandes**
* Interfaces Web : utilisez l'URL du port HTTP
* SSH : `ssh -p <port> root@<adresse-proxy>`

## Qu'est-ce que TripoSR ?

TripoSR par Stability AI et Tripo AI permet :

* Génération de maillage 3D à partir d'une seule image
* Vitesse d'inférence inférieure à la seconde
* Maillages texturés de haute qualité
* Export vers OBJ, GLB et autres formats

## Ressources

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

## Matériel recommandé

| Composant | Minimum       | Recommandé    | Optimal       |
| --------- | ------------- | ------------- | ------------- |
| GPU       | RTX 3060 12GB | RTX 4080 16GB | RTX 4090 24GB |
| VRAM      | 8 Go          | 12Go          | 16Go          |
| CPU       | 4 cœurs       | 8 cœurs       | 16 cœurs      |
| RAM       | 16Go          | 32Go          | 64Go          |
| Stockage  | SSD 20 Go     | 50Go NVMe     | 100Go NVMe    |
| Internet  | 100 Mbps      | 500 Mbps      | 1 Gbps        |

## Déploiement rapide sur CLORE.AI

**Image Docker :**

```
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel
```

**Ports :**

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

**Commande :**

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

## Accéder à votre service

Après le déploiement, trouvez votre `http_pub` URL dans **Mes commandes**:

1. Aller à la **Mes commandes** page
2. Cliquez sur votre commande
3. Trouvez l' `http_pub` URL (par ex., `abc123.clorecloud.net`)

Utilisez `https://VOTRE_HTTP_PUB_URL` au lieu de `localhost` dans les exemples ci-dessous.

## Installation

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

# Téléchargement du modèle automatique lors de la première exécution
```

## Ce que vous pouvez créer

### Jeux & Réalité virtuelle

* Convertir l'art conceptuel en assets 3D
* Prototypage rapide d'objets de jeu
* Génération de modèles de personnages
* Accessoires environnementaux

### E-commerce

* Visualisation 3D de produits
* Expériences d'essayage en réalité augmentée
* Vues produits à 360 degrés
* Showrooms virtuels

### Architecture

* Modèles 3D rapides à partir d'esquisses
* Visualisation en design d'intérieur
* Prototypes de mobilier
* Génération d'éléments de construction

### Éducation

* Modèles 3D pour supports pédagogiques
* Visualisation scientifique
* Recréation d'artefacts historiques
* Modèles d'anatomie

### Projets créatifs

* Art numérique et NFT
* Assets d'animation
* Préparation pour l'impression 3D
* Création de mèmes et d'avatars

## Utilisation de base

### Ligne de commande

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

### API Python

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

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

# Charger et prétraiter l'image
image = Image.open("input.png")

# Générer le maillage 3D
with torch.no_grad():
    scene_codes = model([image], device="cuda")

# Extraire le maillage
meshes = model.extract_mesh(scene_codes)

# Enregistrer le maillage
meshes[0].export("output.obj")
```

### Avec suppression d'arrière-plan

```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")

# Charger l'image et supprimer l'arrière-plan
image = Image.open("photo.jpg")
image_no_bg = remove_background(image)

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

mesh = model.extract_mesh(scene_codes)[0]
mesh.export("model.glb")  # Exporter en GLB pour le web
```

## Traitement par lots

```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)

# Traiter par lots
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"Généré : {output_name}")
```

## Formats d'export

```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]

# Différents formats d'export
mesh.export("model.obj")   # Wavefront OBJ
mesh.export("model.glb")   # GLTF binaire (prêt pour le web)
mesh.export("model.ply")   # Format PLY
mesh.export("model.stl")   # STL (impression 3D)
```

## Rendre une vidéo d'aperçu

```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")

# Rendre une vidéo à 360 degrés
render_images = model.render(
    scene_codes,
    n_views=30,
    return_type="pil"
)

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

## Interface Gradio

```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="Image d'entrée"),
        gr.Checkbox(label="Remove Background", value=True),
        gr.Dropdown(choices=["obj", "glb", "ply", "stl"], value="glb", label="Output Format")
    ],
    outputs=[
        gr.File(label="3D Model"),
        gr.Image(label="Processed Input")
    ],
    title="TripoSR - Image to 3D",
    description="Generate 3D models from single images in seconds. Running on CLORE.AI GPU servers."
)

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

## Avec Affinement du Maillage

```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")

# Extraire avec une résolution plus élevée
mesh = model.extract_mesh(
    scene_codes,
    resolution=256  # Plus élevé = plus de détails, la valeur par défaut est 128
)[0]

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

## Performances

| Résolution       | GPU      | Vitesse | Qualité  |
| ---------------- | -------- | ------- | -------- |
| 128 (par défaut) | RTX 3090 | 0,5 s   | Bon      |
| 128              | RTX 4090 | 0,3 s   | Bon      |
| 256              | RTX 4090 | 1,2 s   | Meilleur |
| 256              | A100     | 0,8 s   | Meilleur |

## Problèmes courants et solutions

### Mauvaise qualité 3D

**Problème :** Le maillage généré semble incorrect ou déformé

**Solutions :**

* Utilisez des images avec un sujet clair et un arrière-plan simple
* Supprimez l'arrière-plan avant le traitement
* Utilisez une vue frontale de l'objet
* Assurez un bon éclairage sur l'image source

```python

# Toujours supprimer l'arrière-plan pour de meilleurs résultats
from tsr.utils import remove_background

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

### La suppression de l'arrière-plan échoue

**Problème :** La suppression de l'arrière-plan laisse des artefacts

**Solutions :**

* Prétraitez avec un outil dédié comme rembg
* Modifiez manuellement l'arrière-plan de l'image
* Utilisez des images avec des arrière-plans simples

```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")
```

### Mémoire insuffisante

**Problème :** OOM CUDA à haute résolution

**Solutions :**

```python

# Utiliser une résolution inférieure
mesh = model.extract_mesh(scene_codes, resolution=128)

# Ou vider le cache entre les lots
import torch
torch.cuda.empty_cache()
```

### Le maillage a des trous

**Problème :** Le maillage généré a des parties manquantes

**Solutions :**

* Utilisez une extraction à plus haute résolution
* Essayez un angle de vue différent du sujet
* Post-traitez le maillage dans Blender ou MeshLab
* Utilisez des images avec une visibilité complète de l'objet

### Traitement lent

**Problème :** Prend trop de temps par image

**Solutions :**

* Utilisez le traitement par lots pour plusieurs images
* Réduisez la résolution pour le prototypage
* Utilisez un GPU RTX 4090 ou A100

## Dépannage

### Qualité du maillage 3D faible

* Utilisez des images avec des contours d'objet nets
* Supprimez ou masquez l'arrière-plan
* Les vues frontales fonctionnent mieux

### L'export échoue

* Vérifiez que le répertoire de sortie existe
* Vérifiez que le format de maillage est pris en charge
* Assurez-vous d'avoir suffisamment d'espace disque

### Texture manquante

* Certaines exportations n'incluent pas la texture
* Utilisez le format GLB pour une sortie texturée
* Vérifiez les paramètres d'export des matériaux

{% hint style="danger" %}
**Mémoire insuffisante**
{% endhint %}

* TripoSR est efficace mais nécessite 6 Go+
* Réduisez la résolution de sortie
* Traitez une image à la fois

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (à partir de 2024) :

| GPU       | Tarif horaire | Tarif journalier | Session de 4 heures |
| --------- | ------------- | ---------------- | ------------------- |
| 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             |

*Les prix varient selon le fournisseur et la demande. Vérifiez* [*CLORE.AI Marketplace*](https://clore.ai/marketplace) *pour les tarifs actuels.*

**Économisez de l'argent :**

* Utilisez **Spot** market pour les charges de travail flexibles (souvent 30-50 % moins cher)
* Payer avec **CLORE** jetons
* Comparer les prix entre différents fournisseurs

## Prochaines étapes

* Stable Diffusion - Générer des images d'entrée
* [IC-Light](/guides/guides_v2-fr/traitement-dimages/iclight.md) - Re-éclairer les images avant le 3D
* ComfyUI - Intégration de workflow


---

# 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:

```
GET https://docs.clore.ai/guides/guides_v2-fr/generation-3d/triposr.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.