TripoSR

在 Clore.ai 上使用 TripoSR 从单张图像生成 3D 模型

在一秒内从单张图像生成3D模型。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

在 CLORE.AI 上租用

1. 访问 CLORE.AI 市场

2. 按 GPU 类型、显存和价格筛选

3. 选择 按需 （固定费率）或 竞价 （出价价格）

4. 配置您的订单：

   • 选择 Docker 镜像

   • 设置端口（用于 SSH 的 TCP，Web 界面的 HTTP）

   • 如有需要，添加环境变量

   • 输入启动命令

5. 选择支付方式： CLORE, BTC，或 USDT/USDC

6. 创建订单并等待部署

访问您的服务器

• 在以下位置查找连接详情： 我的订单

• Web 界面：使用 HTTP 端口的 URL

• SSH： ssh -p <port> root@<proxy-address>

什么是 TripoSR？

Stability AI 和 Tripo AI 的 TripoSR 提供：

• 单张图像到3D网格的生成

• 亚秒级推理速度

• 高质量带纹理的网格

• 导出为 OBJ、GLB 及其他格式

资源

• GitHub： VAST-AI-Research/TripoSR

• HuggingFace： stabilityai/TripoSR

• 论文： TripoSR 论文

• 演示： HuggingFace Space

推荐硬件

组件	最低	推荐	最佳
GPU	RTX 3060 12GB	RTX 4080 16GB	RTX 4090 24GB
显存	8GB	12GB	16GB
CPU	4 核	8 核	16 核
内存	16GB	32GB	64GB
存储	20GB SSD	50GB NVMe	100GB NVMe
网络	100 Mbps	500 Mbps	1 Gbps

在 CLORE.AI 上快速部署

Docker 镜像：

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

端口：

22/tcp
7860/http

命令：

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

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

安装

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

# 模型将在首次运行时自动下载

您可以创建的内容

游戏与虚拟现实

• 将概念艺术转换为3D资产

• 游戏物体的快速原型制作

• 角色模型生成

• 环境道具

电子商务

• 产品3D可视化

• 增强现实试穿体验

• 360度产品视图

• 虚拟展厅

架构

• 从草图快速生成3D模型

• 室内设计可视化

• 家具原型

• 建筑元素生成

教育

• 用于教材的3D模型

• 科学可视化

• 历史文物重现

• 解剖模型

创意项目

• 数字艺术与 NFT

• 动画资产

• 3D 打印准备

• 表情包和头像创建

基本用法

命令行

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

Python API

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

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

# 加载并预处理图像
image = Image.open("input.png")

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

# 提取网格
meshes = model.extract_mesh(scene_codes)

# 保存网格
meshes[0].export("output.obj")

设置照明提示

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

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

# 加载图像并去除背景
image = Image.open("photo.jpg")
image_no_bg = remove_background(image)

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

mesh = model.extract_mesh(scene_codes)[0]
mesh.export("model.glb")  # 导出为适用于网络的 GLB

"专业影棚柔光箱"

批处理处理
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")

import os
output_dir = "./3d_models"
output_dir = "./relit"

images_to_process = []
filenames = []

lighting_prompt = "专业影棚照明，柔和的阴影"
    for filename in os.listdir(input_dir):
        if not filename.endswith(('.jpg', '.png')):

    continue
    image_no_bg = remove_background(image)
    images_to_process.append(image_no_bg)
    filenames.append(filename)

# 批处理
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}")

导出格式

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]

# 不同的导出格式
mesh.export("model.obj")   # Wavefront OBJ
mesh.export("model.glb")   # GLTF 二进制（适合网络）
mesh.export("model.ply")   # PLY 格式
mesh.export("model.stl")   # STL（3D 打印）

渲染预览视频

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")

# 渲染360度视频
render_images = model.render(
    scene_codes,
    n_views=30,
    return_type="pil"
)

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

Gradio 界面

print(f"已生成：{name}")
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=[
        fn=relight_image,
        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="在几秒内从单张图像生成3D模型。运行于 CLORE.AI GPU 服务器。"
)

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

具有网格细化

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")

# 使用更高分辨率提取
mesh = model.extract_mesh(
    scene_codes,
    resolution=256  # 更高 = 更多细节，默认是128
)[0]

mesh.export("high_detail.obj")

background = Image.open("studio_bg.jpg")

分辨率	GPU	性能	质量
128（默认）	速度	0.5秒	良好
128	512x512	0.3秒	良好
256	512x512	1.2秒	更好
256	2s	0.8秒	更好

IC-Light-FBC

3D质量差

与背景合成 生成的网格看起来错误或畸变

光照未改变

• 使用主体清晰且背景简单的图像

• 在处理前去除背景

• 使用物体的正面视图

• 确保原始图像光照良好

# 始终去除背景以获得最佳结果
from tsr.utils import remove_background

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

背景移除失败

与背景合成 背景移除留下了伪影

光照未改变

• 使用专用工具（如 rembg）进行预处理

• 手动编辑图像背景

• 使用背景简单的图像

pip install rembg

连接到 KSampler
from PIL import Image

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

内存不足

与背景合成 高分辨率下 CUDA 内存不足

光照未改变

# 使用较低分辨率
mesh = model.extract_mesh(scene_codes, resolution=128)

# 或在批次之间清理缓存
import torch
torch.cuda.empty_cache()

网格有孔

与背景合成 生成的网格有缺失部分

光照未改变

• 使用更高分辨率提取

• 尝试主体的不同观察角度

• 在 Blender 或 MeshLab 中对网格进行后处理

• 使用能完整显示物体的图像

处理缓慢

与背景合成 每张图像耗时过长

光照未改变

• 对多张图像使用批处理

• 为原型制作降低分辨率

• 使用 RTX 4090 或 A100 GPU

# 使用固定种子以获得一致结果

3D 网格质量差

• 使用具有清晰物体边界的图像

• 去除或遮罩背景

• 正面视图效果最佳

导出失败

• 检查输出目录是否存在

• 验证网格格式是否受支持

• 确保有足够的磁盘空间

纹理缺失

• 有些导出不包含纹理

• 使用 GLB 格式以获得带纹理的输出

• 检查材质导出设置

内存不足

• TripoSR 高效但需要 6GB 以上

• 降低输出分辨率

• 一次处理一张图像

下载所有所需的检查点

检查文件完整性

GPU	验证 CUDA 兼容性	费用估算	CLORE.AI 市场的典型费率（截至 2024 年）：
按小时费率	~$0.03	~$0.70	~$0.12
速度	~$0.06	~$1.50	~$0.25
512x512	~$0.10	~$2.30	~$0.40
按日费率	~$0.17	~$4.00	~$0.70
4 小时会话	~$0.25	~$6.00	~$1.00

RTX 3060 CLORE.AI 市场 A100 40GB

A100 80GB

• 使用 竞价 价格随提供商和需求而异。请查看

• 以获取当前费率。 CLORE 节省费用：

• 市场用于灵活工作负载（通常便宜 30-50%）

使用以下方式支付

• Stable Diffusion - 生成输入图像

• IC-Light - 在3D之前为图像重新照明

• ComfyUI - 工作流集成