TripoSR

在 Clore.ai 上使用 TripoSR 从单张图像生成 3D 模型

在不到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、VRAM 和价格筛选

3. 选择 按需 （固定费率）或 竞价 （出价）

4. 配置你的订单：

   • 选择 Docker 镜像

   • 设置端口（SSH 用 TCP，Web UI 用 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

访问你的服务器

• 在以下位置查找连接信息 我的订单

• Web 界面：使用 HTTP 端口 URL

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

什么是 TripoSR？

Stability AI 和 Tripo AI 的 TripoSR 可实现：

• 从单张图像生成 3D 网格

• 亚秒级推理速度

• 高质量纹理网格

• 导出为 OBJ、GLB 和其他格式

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:2.11.0-cuda12.8-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

访问你的服务

部署后，找到你的 http_pub URL 在 我的订单:

1. 前往 我的订单 页面

2. 点击你的订单

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

使用 https://YOUR_HTTP_PUB_URL 替代 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

# 模型会在首次运行时自动下载

你可以创建什么

游戏与 VR

• 将概念图转为 3D 资源

• 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

• AR 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

• 建筑构件生成

教育

• 用于学习材料的 3D 模型

• 科学可视化

• 历史文物复原

• 解剖模型

创意项目

• 数字艺术和 NFT

• 动画资源

• 3D 打印准备

• 表情包和头像创建

基础用法

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")

配合背景移除使用

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

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

# 加载图像并移除背景
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 GLB 以用于网页

批量处理

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)

# 分批处理
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"已生成：{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 二进制格式（适合网页）
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

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="输入图像"),
        gr.Checkbox(label="移除背景", value=True),
        gr.Dropdown(choices=["obj", "glb", "ply", "stl"], value="glb", label="输出格式")
    ],
    outputs=[
        gr.File(label="3D 模型"),
        gr.Image(label="处理后的输入")
    ],
    title="TripoSR - 图像转 3D",
    description="从单张图像在数秒内生成 3D 模型。在 CLORE.AI GPU 服务器上运行。"
)

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

带网格细化

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")

# 以更高分辨率提取
mesh = model.extract_mesh(
    scene_codes,
    resolution=256  # 数值越高细节越多，默认值为 128
)[0]

mesh.export("high_detail.obj")

性能

分辨率	GPU	速度	质量
128（默认）	RTX 3090	0.5秒	好
128	RTX 4090	0.3秒	好
256	RTX 4090	1.2秒	更好
256	A100	0.8秒	更好

常见问题与解决方案

较差的 3D 质量

问题： 生成的网格看起来不正确或已变形

解决方案：

• 使用主体清晰、背景简单的图像

• 在处理前移除背景

• 使用物体的正面视角

• 确保源图像有良好的光照

# 始终移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

问题： 背景移除留下了瑕疵

解决方案：

• 使用 rembg 之类的专用工具预处理

• 手动编辑图像背景

• 使用背景简单的图像

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")

内存不足

问题： 高分辨率下 CUDA 内存不足

解决方案：

# 使用更低的分辨率
mesh = model.extract_mesh(scene_codes, resolution=128)

# 或在批次之间清空缓存
import torch
torch.cuda.empty_cache()

网格有孔洞

问题： 生成的网格缺少部分

解决方案：

• 使用更高分辨率提取

• 尝试主体的不同视角

• 在 Blender 或 MeshLab 中后处理网格

• 使用物体完整可见的图像

处理缓慢

问题： 每张图像耗时过长

解决方案：

• 对多张图像使用批处理

• 原型阶段使用较低分辨率

• 使用 RTX 4090 或 A100 GPU

故障排查

3D 网格质量较差

• 使用物体边界清晰的图像

• 移除或遮罩背景

• 正面视角效果最佳

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

• 某些导出不包含纹理

• 使用 GLB 格式导出带纹理的结果

• 检查材质导出设置

内存不足

• TripoSR 很高效，但需要 6GB 以上

• 降低输出分辨率

• 一次处理一张图像

成本估算

CLORE.AI 市场常见费率（截至 2024 年）：

GPU	小时费率	日费率	4 小时会话
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

价格因提供商和需求而异。请查看 CLORE.AI 市场 以获取当前费率。

节省费用：

• 使用 竞价 可中断工作市场——约三分之一的服务器将现货价格定得低于按需价格（中位数约优惠 13%），其余则与按需价格持平

• 使用 CLORE 代币支付

• 比较不同提供商的价格

下一步

• Stable Diffusion - 生成输入图像

• IC-Light - 在 3D 之前为图像重新打光

• ComfyUI - 工作流集成