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.

Tous les exemples peuvent être exécutés sur des serveurs GPU loués via la place de marché CLORE.AI.

Louer sur CLORE.AI

1. Visitez la place de marché CLORE.AI

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

• HuggingFace : stabilityai/TripoSR

• Article : Article TripoSR

• Démo : HuggingFace Space

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 :

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

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

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

API 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

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

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

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

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

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

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

# 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

pip install rembg

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 :

# 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

Mémoire insuffisante

• 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 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 - Rééclairer les images avant la 3D

• ComfyUI - Intégration du flux de travail