Hunyuan3D-2 部署零基础上手本地还是云端一张决策表选对部署路径【免费下载链接】Hunyuan3D-2High-Resolution 3D Assets Generation with Large Scale Hunyuan3D Diffusion Models.项目地址: https://gitcode.com/GitHub_Trending/hu/Hunyuan3D-2Hunyuan3D-2 能把一张图变成高分辨率的 3D 资产先生成几何、再合成纹理。这篇文章带你把 Hunyuan3D-2 部署走完全程先帮你在本地与云端之间做选择再按分支一步步落地最后给排错清单不用来回翻文档。先对号入座我该用本地还是云端Hunyuan3D-2 是两阶段流程Hunyuan3D-DiT 出几何Hunyuan3D-Paint 合成纹理两阶段都很吃 GPU 显存这也是部署选型难的原因。用下面四条逻辑对号入座每周只用几次、对成本敏感 → 云端部署按需开 GPU 实例用完即关按小时计费。每天开发、调试、调参超过 4 小时 → 本地部署一次性买显卡电费摊薄后远比按小时付费划算。团队要共用一个图生 3D 入口 → 云端部署 容器化把能力暴露成 API。手里没有 NVIDIA 显卡 → 直接云端部署本地这条路走不通。还有一条隐性标准本地部署要亲手编译两个 CUDA 依赖没折腾过 C 扩展的人容易卡住云端可以把这些全藏进镜像里。路径 A本地落地从硬件到第一个 glb硬件清单8GB 显存到底够不够够但只够跑精简版。完整流程几何 2K 纹理建议 16GB 起步推荐配置GPU最低 8GB 显存只能跑 mini推荐 RTX 3090/4090 的 24GB内存32GB磁盘100GB 空闲模型权重 缓存系统Ubuntu 20.04/22.04或 Windows WSL2装依赖三步走两步是 CUDA 编译先按官网指引装对应 CUDA 版本的 PyTorch版本号必须和系统 CUDA 对齐否则后面编译全失败。然后一条命令装主依赖pip install -r requirements.txt这一行会装好 diffusers、trimesh、gradio 等主依赖。真正的坑在纹理环节的两个自编译组件。先编译自定义光栅化器cd hy3dgen/texgen/custom_rasterizer python3 setup.py install再编译可微分渲染器它是 CUDA C 内核不编译纹理管线完全跑不起来cd ../../differentiable_renderer python3 setup.py install⚠️ 遇到 CUDA 版本不匹配报错唯一解法就是让系统 CUDA 和 PyTorch 的编译版本保持一致CUDA 11.8 是最稳的选择。上面要编译的两个组件都在架构图右侧的纹理合成环节里本地部署的麻烦基本都出在这里。拉权重与验证首次运行自动下载克隆项目代码git clone https://gitcode.com/GitHub_Trending/hu/Hunyuan3D-2 cd Hunyuan3D-2模型权重不用单独下载首次加载 pipeline 时会自动从 tencent/Hunyuan3D-2 拉取总共几个 GB耐心等第一次。然后用最小化演示脚本验收它走完整条链路读入示例图 → 抠背景 → 生成几何 → 合成纹理 → 导出 demo.glbpython minimal_demo.py✅ 脚本跑完没报错、当前目录出现 glb 文件本地部署就算完成拿 Blender 打开检查即可。更完整的参数写法可以看 examples/shape_gen.pyminimal_demo.py 里还包含文生 3D 的用法。输入图有讲究主体清晰、背景干净出效果最好背景杂乱就依赖自动抠图容易翻车。路径 B云端落地容器化是主线云端最省钱的 GPU 实例怎么挑别看实例型号只看两个数字显存 24GB 以上A10 级别跑完整管线16GBV100/T4也能跑但纹理分辨率别拉太高。成本参考A10 级别每小时 10 元人民币上下V100 每小时 3 美元出头。日均使用不到 4 小时的话云端比本地更省。Docker 部署镜像分三块写基础镜像选带 CUDA 工具链的 devel 版版本和本地编译保持一致FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 WORKDIR /app COPY . /app依赖编译放进构建阶段两个最易出错的 setup.py 在镜像里一次搞定以后开机不再碰编译RUN pip install -r requirements.txt \ cd hy3dgen/texgen/custom_rasterizer python setup.py install \ cd ../../differentiable_renderer python setup.py install启动指令直接指向 Gradio 界面绑定 0.0.0.0 保证容器外可访问CMD [python, gradio_app.py, --server-name, 0.0.0.0]构建并启动容器docker build -t hunyuan3d-2 . docker run --gpus all -p 7860:7860 hunyuan3d-2⚠️--gpus all漏掉的话容器看不到 GPU进程要么直接报错要么退回 CPU速度慢几百倍。支线把图生 3D 暴露成 API 给团队用想多人共用这台云端机器就把启动入口换成 API 服务器python api_server.py --host 0.0.0.0 --port 8080客户端核心就三行import requests, base64 r requests.post(http://服务器IP:8080/generate, json{image: base64.b64encode(open(in.png,rb).read()).decode()}) open(out.glb,wb).write(r.content) # 需要纹理时在 json 里加 texture 参数记得在云厂商安全组里放行 8080 端口不然 0.0.0.0 绑了也白绑。跑起来之后界面与 Blender 集成一次讲完Gradio 界面是新手最友好的入口python gradio_app.py浏览器打开 http://localhost:7860图像输入和文本生成都支持步数、分辨率等参数可以实时调。如果你平时主力是 Blender可以完全绕开网页先起 API 服务器再在 Blender 里 Edit Preferences Add-ons Install选 blender_addon.py填好 API 地址直接在视口里调起图生 3D不用浏览器和 DCC 之间来回切换。报错急救包六个高频故障症状原因一行解setup.py 编译失败找不到 nvcc缺 CUDA 工具链sudo apt install nvidia-cuda-toolkit后重装 PyTorch编译报 CUDA 版本不匹配系统 CUDA 与 PyTorch 版本错位换 CUDA 11.8 编译版的 PyTorch两端对齐权重下载卡死Hugging Face 连接不稳定export HF_ENDPOINThttps://hf-mirror.com后重试CUDA out of memory完整模型超出显存换精简版python examples/shape_gen_mini.py几何正常但纹理发黑可微分渲染器没编译回头重跑上面两个 setup.py云端 API 访问不通绑定地址或安全组没放通启动加--host 0.0.0.0并在安全组开端口收尾一句话选型日均使用超过 4 小时选本地偶尔用或团队共享选云端没有 GPU 就只剩云端。部署跑通后三个值得接着做的方向提速用 FlashVDM 加速采样看 examples/fast_shape_gen_with_flashvdm.py几何生成能从分钟级压到秒级。多视角输入手上有同一主体前、侧、背多张图时用 examples 目录下的多视角样例形状一致性明显更好。工作流整合把 Hunyuan3D-2 接进 ComfyUI 的 3D 生成工作流和现有出图管线串起来用。【免费下载链接】Hunyuan3D-2High-Resolution 3D Assets Generation with Large Scale Hunyuan3D Diffusion Models.项目地址: https://gitcode.com/GitHub_Trending/hu/Hunyuan3D-2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
