EM POUCAS LINHAS
- O fluxo usa malhas 3D como referência; imagens sozinhas não bastam para o treinamento descrito.
- Há contêineres e scripts para pré-processar dados e treinar adaptadores de geometria.
- O treinamento depende de acesso ao DINOv3; a execução local tem requisitos próprios de GPU.
- Texturas não são ajustadas, e a licença dos scripts não está estabelecida nas evidências recebidas.
A resposta curta é sim, para adaptar a geometria a uma coleção de objetos próprios, desde que a equipe tenha malhas de referência, acesso aos modelos necessários e infraestrutura compatível. Isso não equivale a ensinar novas texturas ao TRELLIS.2 nem a garantir que cada objeto gerado ficará geometricamente correto. O artigo técnico da Hugging Face apresenta o método; a documentação do repositório descreve as formas de executá-lo e suas restrições.
O que foi publicado — e quando?
O artigo técnico foi publicado em 12 de novembro de 2026 e apresenta scripts e contêineres para ajustar o TRELLIS.2 com ativos 3D próprios, localmente ou pelo Hugging Face Jobs, segundo seus autores. Essa é a data da publicação do artigo, não uma data comprovada de lançamento do código: o texto do repositório fornecido para esta apuração documenta a implementação, mas não estabelece quando seus arquivos ficaram disponíveis.
A proposta atende a uma dificuldade específica. Um modelo de propósito geral pode gerar a aparência de uma categoria e ainda errar detalhes de forma importantes para uma aplicação. No experimento relatado no artigo, os autores trabalharam com uma seleção de 188 calçados do Google Scanned Objects e buscaram melhorar, entre outros aspectos, a geometria das solas. Esse estudo de caso não demonstra o mesmo ganho para móveis, peças industriais ou coleções de uma equipe brasileira.
Como malhas próprias entram no treinamento?
São necessárias malhas 3D com geometria de referência, não apenas fotografias, conforme o repositório. A documentação menciona formatos importáveis pelo Blender, como GLB, GLTF, OBJ acompanhado de seus arquivos associados e PLY. Cada arquivo de malha é tratado como um objeto; cenas compostas de várias partes precisam ser reunidas de modo apropriado antes do processamento. Isso importa porque o treinamento compara a representação aprendida a uma forma 3D conhecida, enquanto imagens renderizadas servem para condicionar a geração.
O pré-processamento descrito pelos autores converte malhas em representações internas e renderiza vistas dos objetos. Depois, o treinamento ocorre separadamente em dois componentes: o fluxo de estrutura esparsa, que orienta a forma geral, e o fluxo de forma, responsável pela geometria mais detalhada. Os adaptadores LoRA são treinados nesses componentes, mantendo congelados os pesos originais; o fluxo de texturas não recebe esse ajuste, segundo o artigo.
Há duas rotas descritas no repositório: contêineres de preparação e treinamento, que podem trabalhar com repositórios no Hub, ou os arquivos preprocess.py e finetune.py, executados dentro da imagem-base com o repositório montado. Os scripts, portanto, não devem ser confundidos com uma solução independente de suas dependências. A documentação também admite malhas em uma pasta local no fluxo com Docker e resultados locais quando não se configura o envio ao Hub. Para Jobs, o fluxo exemplificado coloca as malhas em um repositório no Hub.
Quais acessos e recursos são exigidos?
Para o treinamento, a documentação exige uma conta com acesso concedido ao DINOv3 e credencial do Hugging Face com permissão de escrita para o fluxo documentado; ela distingue essa etapa do pré-processamento, que não precisa do DINOv3. Os autores informam que as imagens de contêiner não incluem os pesos nem os dados e que o DINOv3 tem acesso controlado sob licença da Meta. Isso requer verificar as condições dos modelos e dos dados antes de planejar a execução; a menção, no repositório, à licença MIT do TRELLIS.2-4B não comprova a licença dos scripts ou do DINOv3.
Em máquina própria, o repositório indica GPU NVIDIA com pelo menos 24 GB de memória e Docker com runtime NVIDIA. O mesmo documento diz que os parâmetros usados em uma GPU de 80 GB precisam de ajuste de tamanho de lote e acumulação de gradientes para uma GPU de 24 GB. Esses requisitos declarados não significam que um conjunto de dados de qualquer tamanho terminará em tempo ou memória previsíveis. Jobs é a alternativa de execução em hardware de nuvem descrita pelos autores, mas as fontes recebidas não confirmam preço, elegibilidade regional nem condições específicas para o Brasil.
O que os resultados e os limites permitem concluir?
No conjunto de calçados dos autores, o repositório relata avaliação em 9 objetos separados do treinamento: a distância de Chamfer caiu de 0,174 para 0,033, e o F-score@0.02 subiu de 0,28 para 0,80. São resultados declarados para aquele recorte e protocolo, não medições independentes nem promessa de desempenho em outras categorias. A documentação alerta ainda que as regras usadas para agrupar objetos quase duplicados na divisão de avaliação foram escritas para nomes de variantes do conjunto empregado; em outros acervos, é importante evitar que versões quase iguais apareçam dos dois lados da avaliação.
O limite funcional é direto: somente a geometria é ajustada; as texturas continuam vindo do modelo-base, segundo o repositório. Um exemplo hipotético: uma equipe no Brasil com malhas próprias de cadeiras poderia verificar se o adaptador melhora encostos e pés em objetos não usados no treinamento, sem atribuir a ele uma mudança no acabamento superficial. Ela precisaria separar variantes semelhantes, comparar as saídas com as malhas de referência e inspecionar defeitos relevantes para seu uso. Para critérios gerais de seleção de modelos e de verificação de permissões, veja também como interpretar licença e outros sinais no Hub. Antes de reutilizar ou distribuir esta implementação, permanecem pendentes a confirmação da licença do próprio código e a verificação das condições aplicáveis aos modelos e aos ativos empregados.
Fontes e referências
- The Definitive Fine-Tuning Guide for 3D Generation Modelshuggingface.co · Consultado em 12/11/2026
- GitHub - suvadityamuk/trellis2-finetuning: Codebase release for TRELLIS.2 Finetuning · GitHubgithub.com · Consultado em 12/11/2026