> 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 avec TripoSR sur Clore.ai

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 [la place de marché CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Louer sur CLORE.AI

1. Visitez [la place de marché CLORE.AI](https://clore.ai/marketplace)
2. Filtrez par type de GPU, VRAM et prix
3. Choisissez **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@<proxy-address>`

## Qu'est-ce que TripoSR ?

TripoSR de Stability AI et Tripo AI permet :

* Génération de maillage 3D à partir d'une seule image
* Vitesse d'inférence inférieure à une seconde
* Maillages texturés de haute qualité
* Exportation vers OBJ, GLB et d'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 :** [HuggingFace Space](https://huggingface.co/spaces/stabilityai/TripoSR)

## Matériel recommandé

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

## Déploiement rapide sur CLORE.AI

**Image Docker :**

```
pytorch/pytorch:2.11.0-cuda12.8-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. Accédez à **Mes commandes** la page
2. Cliquez sur votre commande
3. Trouvez le `http_pub` URL (par ex., `abc123.clorecloud.net`)

Utilisez `https://YOUR_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

# Le modèle se télécharge automatiquement au premier lancement
```

## Ce que vous pouvez créer

### Jeux vidéo et VR

* Convertir des concepts artistiques en ressources 3D
* Prototypage rapide pour les objets de jeu
* Génération de modèles de personnages
* Accessoires environnementaux

### Commerce électronique

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

### Architecture

* Modèles 3D rapides à partir de croquis
* Visualisation de design intérieur
* Prototypes de meubles
* Génération d'éléments de bâtiment

### Éducation

* Modèles 3D pour supports d'apprentissage
* Visualisation scientifique
* Recréation d'artefacts historiques
* Modèles anatomiques

### Projets créatifs

* Art numérique et NFT
* Ressources d'animation
* Préparation à 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 de l’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 modèle 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"Generated: {output_name}")
```

## Formats d'exportation

```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'exportation
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)
```

## Rendu de la 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="Supprimer l'arrière-plan", value=True),
        gr.Dropdown(choices=["obj", "glb", "ply", "stl"], value="glb", label="Format de sortie")
    ],
    outputs=[
        gr.File(label="Modèle 3D"),
        gr.Image(label="Entrée traitée")
    ],
    title="TripoSR - Image vers 3D",
    description="Générez des modèles 3D à partir d'images uniques en quelques secondes. Exécution sur les serveurs GPU CLORE.AI."
)

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

## Avec affinage 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 à 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 | 0.5s    | Bon      |
| 128              | RTX 4090 | 0.3s    | Bon      |
| 256              | RTX 4090 | 1.2s    | Meilleur |
| 256              | A100     | 0.8s    | Meilleur |

## Problèmes courants et solutions

### Qualité 3D médiocre

**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 de face de l'objet
* Assurez un bon éclairage dans l'image source

```python

# Supprimez toujours 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

# Utilisez une résolution plus faible
mesh = model.extract_mesh(scene_codes, resolution=128)

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

### Le maillage a des trous

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

**Solutions :**

* Utilisez une extraction à résolution plus élevée
* Essayez un autre angle de vue du sujet
* Post-traitez le maillage dans Blender ou MeshLab
* Utilisez des images où l'objet est entièrement visible

### Traitement lent

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

**Solutions :**

* Utilisez le traitement par lots pour plusieurs images
* Résolution plus faible pour le prototypage
* Utilisez un GPU RTX 4090 ou A100

## Dépannage

### Qualité du maillage 3D médiocre

* Utilisez des images avec des contours d'objet bien définis
* Supprimez ou masquez l'arrière-plan
* Les vues de face fonctionnent le mieux

### L'exportation échoue

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

### Texture manquante

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

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

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

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (en 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 40 Go | \~$0.17       | \~$4.00          | \~$0.70             |
| A100 80 Go | \~$0.25       | \~$6.00          | \~$1.00             |

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

**Économisez de l'argent :**

* Utilisez le **Spot** marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane \~13 % de remise), les autres s'alignent dessus
* Payez avec **CLORE** jetons
* Comparez les prix entre différents fournisseurs

## Étapes suivantes

* Stable Diffusion - Générer des images d'entrée
* [IC-Light](/guides/guides_v2-fr/traitement-dimages/iclight.md) - Rééclairer les images avant la 3D
* ComfyUI - Intégration du flux de travail


---

# 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-fr/generation-3d/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.