TRELLIS: 대규모 3D 생성 AI 모델

문서 목표

• TRELLIS의 개념과 구조를 이해한다.
• 설치 및 사용법을 단계별로 따라 한다.
• 사전학습 모델, 데이터셋, 트레이닝 방법을 확인한다.
• 실전 활용 팁과 참고자료를 얻는다.

TRELLIS란?

TRELLIS는 Microsoft가 개발한 대규모 3D 생성 AI 모델입니다. 텍스트 또는 이미지 프롬프트를 입력받아 다양한 3D 에셋(Radiance Fields, 3D Gaussians, Meshes 등)을 생성할 수 있습니다.

• SLAT(Structured LATent): 다양한 3D 형식으로 디코딩 가능한 통합 구조적 잠재 표현
• Rectified Flow Transformer: 강력한 3D 생성 백본
• 2B 파라미터, 50만 개 대규모 3D 데이터셋으로 학습
• 유연한 출력 포맷, 로컬 3D 편집 지원

주요 특징

• 고품질: 복잡한 형태와 텍스처의 다양한 3D 에셋 생성
• 다양성: 텍스트/이미지 입력, Radiance Fields, 3D Gaussians, Meshes 등 다양한 출력
• 유연한 편집: 생성된 3D 에셋의 변형, 부분 편집 가능

설치 방법

사전 준비

• OS: Linux 권장 (Windows는 미완전 지원)
• GPU: NVIDIA 16GB 이상 (A100, A6000, RTX 4090 등)
• Python: 3.8 이상(3.10 권장)
• CUDA Toolkit: 11.8 또는 12.2(Windows 기준 12.4 실행 확인): CUDA Toolkit 12.4
• Build Tools for Visual Studio 2022: Build Tools for Visual Studio 2022

설치 단계

• 레포지토리 클론

git clone --recurse-submodules https://github.com/microsoft/TRELLIS.git
cd TRELLIS

• 파이썬 가상환경 생성

python -m venv "trellis-venv"
.\trellis-venv\Scripts\activate

• pip, wheel, setuptools 업데이트

python -m pip install --upgrade pip wheel
python -m pip install setuptools=75.8.2

• 의존성 1 생성 (requirements_1.txt)

--extra-index-url https://download.pytorch.org/whl/cu124
torch==2.5.1+cu124
torchvision==0.20.1+cu124
xformers==0.0.28.post3

• 의존성 2 생성 (requirements_2.txt)

pillow==10.4.0<br>imageio==2.37.0
imageio-ffmpeg==0.6.0
tqdm==4.67.1
easydict==1.13
opencv-python-headless==4.11.0.86
scipy==1.15.2
ninja==1.11.1.4
rembg==2.0.65
onnxruntime==1.21.0
trimesh==4.6.6
xatlas==0.0.10
pyvista==0.44.2
pymeshfix==0.17.0
igraph==0.11.8
transformers==4.50.3
open3d==0.19.0

git+https://github.com/EasternJournalist/utils3d.git@9a4eb15e4021b67b12c460c7057d642626897ec8

https://github.com/bdashore3/flash-attention/releases/download/v2.7.1.post1/flash_attn-2.7.1.post1+cu124torch2.5.1cxx11abiFALSE-cp310-cp310-win_amd64.whl; sys_platform == 'win32' and python_version == '3.10'
https://github.com/bdashore3/flash-attention/releases/download/v2.7.1.post1/flash_attn-2.7.1.post1+cu124torch2.5.1cxx11abiFALSE-cp311-cp311-win_amd64.whl; sys_platform == 'win32' and python_version == '3.11'
https://github.com/bdashore3/flash-attention/releases/download/v2.7.1.post1/flash_attn-2.7.1.post1+cu124torch2.5.1cxx11abiFALSE-cp312-cp312-win_amd64.whl; sys_platform == 'win32' and python_version == '3.12'
flash-attn; sys_platform != 'win32'

-e extensions/vox2seq

--find-links https://nvidia-kaolin.s3.us-east-2.amazonaws.com/torch-2.5.1_cu124.html
kaolin

git+https://github.com/NVlabs/nvdiffrast.git
git+https://github.com/JeffreyXiang/diffoctreerast.git
git+https://github.com/autonomousvision/mip-splatting.git#subdirectory=submodules/diff-gaussian-rasterization/

spconv-cu120==2.3.6

gradio==4.44.1
gradio_litmodel3d==0.0.1
pydantic==2.10.6

• 의존성 설치

python -m pip install -r requirements_1.txt
python -m pip install -r requirements_2.txt

사전학습 모델

이미지 조건 모델이 일반적으로 더 좋은 품질을 제공합니다.

모델 로딩 예시

from trellis.pipelines import TrellisImageTo3DPipeline

pipeline = TrellisImageTo3DPipeline.from_pretrained("JeffreyXiang/TRELLIS-image-large")
pipeline.cuda()

사용법 (최소 예제)

from PIL import Image
from trellis.pipelines import TrellisImageTo3DPipeline

pipeline = TrellisImageTo3DPipeline.from_pretrained("JeffreyXiang/TRELLIS-image-large")
pipeline.cuda()
image = Image.open("assets/example_image/T.png")
outputs = pipeline.run(image, seed=1)
# outputs['gaussian'], outputs['radiance_field'], outputs['mesh'] 등 다양한 3D 결과

• 결과: 3D Gaussian, Radiance Field, Mesh 비디오(mp4) 및 파일(glb, ply) 생성
• 자세한 예제: example.py

웹 데모 실행

Gradio 기반 웹 데모 제공:

python .\app.py

• Hugging Face에서 온라인 데모도 체험 가능: Live Demo

데이터셋: TRELLIS-500K

• Objaverse(XL), ABO, 3D-FUTURE, HSSD, Toys4k 등에서 50만 개 3D 오브젝트 수집
• 미적 품질 기반 필터링, 다양한 3D 형식 포함
• 상세 정보: DATASET.md

트레이닝

train.py로 트레이닝 실행, 구성 파일(configs/)로 하이퍼파라미터 설정

• 싱글/멀티 노드, 체크포인트 재시작, 프로파일링 등 다양한 옵션 지원

트레이닝 명령 예시

python train.py \
  --config configs/vae/slat_vae_dec_mesh_swin8_B_64l8_fp16.json \
  --output_dir outputs/slat_vae_dec_mesh_swin8_B_64l8_fp16_1node \
  --data_dir /path/to/your/dataset1,/path/to/your/dataset2

라이선스

• 코드 및 모델 대부분: MIT License
• 일부 서브모듈: 별도 라이선스 (diffoctreerast, Flexicubes 등)
• 상세: LICENSE

인용

이 프로젝트가 도움이 되었다면 논문을 인용해 주세요.

@article{xiang2024structured,
    title   = {Structured 3D Latents for Scalable and Versatile 3D Generation},
    author  = {Xiang, Jianfeng and Lv, Zelong and Xu, Sicheng and Deng, Yu and Wang, Ruicheng and Zhang, Bowen and Chen, Dong and Tong, Xin and Yang, Jiaolong},
    journal = {arXiv preprint arXiv:2412.01506},
    year    = {2024}
}