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 CLORE.AI Marketplace.

Location sur CLORE.AI

1. Visitez 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

• HuggingFace : stabilityai/TripoSR

• Article : Article TripoSR

• Démo : Espace HuggingFace

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 :

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

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

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 d'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 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"Généré : {output_name}")

Formats d'export

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

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="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

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

# 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

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 :

# 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

Mémoire insuffisante

• 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 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 - Re-éclairer les images avant le 3D

• ComfyUI - Intégration de workflow