Inference seems very slow — only few meshes generated after running all afternoon

[qwang666]

Hi, thank you for your great work on this project!

I tried running the first example using the command from the README:

python main.py --root examples --output results --model Hunyuan --N 1 --n 0 --skip 5 --seed 42 --use_vggt --use_tracking --tracking_camera_radius 8 --blender_path blender-4.2.1-linux-x64/

However, after running it for the whole afternoon, only several (mainly those ending with 1 and 6) meshes and images were generated in the results folder.
I checked htop, and it seems that only one CPU core is fully utilized (100%), while the others are idle.

May I ask how long it usually takes to finish one example?
Is it normal that only a single CPU core is used during the optimization?

Thanks again for your excellent work!

[WindVChen]

Hi @qwang666 ,

Just to clarify — do you mean that after running all afternoon, only six intermediate meshes were generated in the results folder for Example 1? That does seem unusually slow.

In my experience, it typically takes about one minute per frame (averaged with --skip=5), so you should normally see an intermediate mesh and the corresponding images generated roughly every five minutes.

Since our method processes one image at a time and doesn’t involve heavy data loading, low CPU usage is expected.

Could you please share the terminal log output? That will help me identify where the slowdown might be occurring.

[qwang666]

python main.py --root examples --output results2 --model TripoSG --N 1 --n 0 --skip 5 --seed 42 --use_vggt --use_tracking --tracking_camera_radius 8 --blender_path ../blender-4.2.1-linux-x64/
Warning, cannot find cuda-compiled version of RoPE2D, using a slow pytorch version instead
/home/XXX/XXX/XXX/XXX/V2M4/./extensions/dust3r/cloud_opt/base_opt.py:275: FutureWarning: torch.cuda.amp.autocast(args...) is deprecated. Please use torch.amp.autocast('cuda', args...) instead.
@torch.cuda.amp.autocast(enabled=False)
Warp 1.10.0 initialized:
CUDA Toolkit 12.8, Driver 12.8
Devices:
"cpu" : "x86_64"
"cuda:0" : "NVIDIA A100-SXM4-40GB" (39 GiB, sm_80, mempool enabled)
Kernel cache:
/home/XXX/.cache/warp/1.10.0
[SPARSE] Backend: spconv, Attention: flash_attn
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/numba/np/ufunc/parallel.py:373: NumbaWarning: The TBB threading layer requires TBB version 2021 update 6 or later i.e., TBB_INTERFACE_VERSION >= 12060. Found TBB_INTERFACE_VERSION = 12050. The TBB threading layer is disabled.
warnings.warn(problem)
/home/XXX/XXX/XXX/XXX/V2M4/tripoSG/../models/checkpoints
Process 0 assigned 5 folders with total images: 226
Loading weights from local directory
Loading pipeline components...: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:02<00:00, 2.11it/s]
Expected types for transformer: (<class 'tripoSG.triposg.triposg.models.transformers.triposg_transformer.TripoSGDiTModel'>,), got <class 'triposg.models.transformers.triposg_transformer.TripoSGDiTModel'>.
Expected types for vae: (<class 'tripoSG.triposg.triposg.models.autoencoders.autoencoder_kl_triposg.TripoSGVAEModel'>,), got <class 'triposg.models.autoencoders.autoencoder_kl_triposg.TripoSGVAEModel'>.
Loading pipeline components...: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 7/7 [00:03<00:00, 2.18it/s]
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/torch/utils/cpp_extension.py:1965: UserWarning: TORCH_CUDA_ARCH_LIST is not set, all archs for visible cards are included for compilation.
If this is not desired, please set os.environ['TORCH_CUDA_ARCH_LIST'].
warnings.warn(
/n/n ============= Start processing: examples/Long Video 01 Dying =============/n
Seed Fixed!
/home/XXX/XXX/XXX/XXX/V2M4/tripoSG/triposg/scripts/image_process.py:105: UserWarning: Only one label was provided to remove_small_objects. Did you mean to use a boolean array?
cleaned_alpha = remove_small_objects(labeled_alpha, min_size=200)
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.10it/s]
final grids shape = torch.Size([505, 505, 505])
/home/XXX/XXX/XXX/XXX/V2M4/tripoSG/mv_adapter/mvadapter/utils/render.py:86: UserWarning: Using torch.cross without specifying the dim arg is deprecated.
Please either pass the dim explicitly or simply use torch.linalg.cross.
The default value of dim will change to agree with that of linalg.cross in a future release. (Triggered internally at ../aten/src/ATen/native/Cross.cpp:62.)
face_normals = torch.cross(v1 - v0, v2 - v0)
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:09<00:00, 1.62it/s]
[Open3D INFO] actual parallel_partitions 47
[INFO|uv.py:302] 2025-11-11 18:17:33,324 >> No view mask provided for UV blending, using all valid pixels
/home/XXX/XXX/XXX/XXX/V2M4/main.py:586: UserWarning: The given NumPy array is not writable, and PyTorch does not support non-writable tensors. This means writing to this tensor will result in undefined behavior. You may want to copy the array to protect its data or make it writable before converting it to a tensor. This type of warning will be suppressed for the rest of this program. (Triggered internally at ../torch/csrc/utils/tensor_numpy.cpp:206.)
torch.from_numpy(mesh.vertex_normals).float().cuda()
Rendering: 300it [00:12, 24.62it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 88.32it/s]
Vertices Color baking (opt): optimizing: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 393.40it/s, loss=0.021]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/peft/tuners/tuners_utils.py:167: UserWarning: Already found a peft_config attribute in the model. This will lead to having multiple adapters in the model. Make sure to know what you are doing!
warnings.warn(
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/torchvision/models/_utils.py:208: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead.
warnings.warn(
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/torchvision/models/utils.py:223: UserWarning: Arguments other than a weight enum or None for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing weights=VGG16_Weights.IMAGENET1K_V1. You can also use weights=VGG16_Weights.DEFAULT to get the most up-to-date weights.
warnings.warn(msg)
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
/home/XXX/XXX/XXX/XXX/V2M4/v2m4_trellis/utils/render_utils.py:836: UserWarning: To copy construct from a tensor, it is recommended to use sourceTensor.clone().detach() or sourceTensor.clone().detach().requires_grad(True), rather than torch.tensor(sourceTensor).
params = torch.tensor(params, dtype=torch.float32).cuda()
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 1500/2000 [00:08<00:02, 187.35it/s, loss=0.00112]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:10<00:00, 183.55it/s, loss=0.00173]
Use the non-flipped parameters
/home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/torch/functional.py:513: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ../aten/src/ATen/native/TensorShape.cpp:3609.)
return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 231.53it/s, loss=2.33e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:35<00:00, 1.41s/it, best_score=0.148]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 99.49it/s, loss=0.0676]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.09it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 2.03it/s]
[Open3D INFO] actual parallel_partitions 48
[INFO|uv.py:302] 2025-11-11 18:58:46,704 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:11, 25.84it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 84.74it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 373.35it/s, loss=0.0204]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 1492/2000 [00:08<00:03, 160.03it/s, loss=0.000712]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:11<00:00, 173.32it/s, loss=0.00142]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 233.41it/s, loss=2.24e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.46s/it, best_score=0.135]
Aligning: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:02<00:00, 117.73it/s, loss=0.0767]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.09it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 1.95it/s]
[Open3D INFO] actual parallel_partitions 46
[INFO|uv.py:302] 2025-11-11 19:51:25,533 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:11, 26.99it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 84.36it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 404.67it/s, loss=0.0234]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 74%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 1490/2000 [00:08<00:02, 176.72it/s, loss=0.00376]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:10<00:00, 183.38it/s, loss=0.00378]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:01<00:00, 282.40it/s, loss=3.74e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.47s/it, best_score=0.172]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:02<00:00, 101.24it/s, loss=0.075]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.14it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:09<00:00, 1.66it/s]
[Open3D INFO] actual parallel_partitions 47
[INFO|uv.py:302] 2025-11-11 21:02:45,594 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:10, 27.54it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 88.94it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 372.14it/s, loss=0.0176]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 74%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 1485/2000 [00:08<00:02, 191.25it/s, loss=0.0008]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:10<00:00, 186.91it/s, loss=0.00663]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 236.58it/s, loss=5.26e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.46s/it, best_score=0.144]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 97.53it/s, loss=0.0783]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.06it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 2.01it/s]
[Open3D INFO] actual parallel_partitions 46
[INFO|uv.py:302] 2025-11-11 22:33:08,473 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:12, 24.63it/s]
Vertices Texture baking (opt): UV: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:01<00:00, 230.54it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:05<00:00, 197.90it/s, loss=0.0206]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 1494/2000 [00:09<00:03, 163.24it/s, loss=0.00105]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:12<00:00, 164.32it/s, loss=0.00748]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:01<00:00, 250.37it/s, loss=2.25e-5]
PSO Optimization: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:37<00:00, 1.49s/it, best_score=0.0886]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 99.52it/s, loss=0.0525]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.06it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 1.89it/s]
[Open3D INFO] actual parallel_partitions 44
[INFO|uv.py:302] 2025-11-12 00:12:16,740 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:13, 22.80it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 85.02it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 399.42it/s, loss=0.0242]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 1493/2000 [00:09<00:03, 160.50it/s, loss=0.00152]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:12<00:00, 156.52it/s, loss=0.00564]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 223.33it/s, loss=3.31e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.45s/it, best_score=0.095]
Aligning: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 98.39it/s, loss=0.108]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.07it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 1.94it/s]
[Open3D INFO] actual parallel_partitions 45
[INFO|uv.py:302] 2025-11-12 01:49:59,648 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:10, 28.78it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 87.16it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 383.34it/s, loss=0.0168]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 1499/2000 [00:07<00:02, 186.10it/s, loss=0.00095]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:10<00:00, 190.67it/s, loss=0.00587]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 244.42it/s, loss=2.32e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.46s/it, best_score=0.108]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 98.50it/s, loss=0.0857]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.12it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 2.02it/s]
[Open3D INFO] actual parallel_partitions 43
[INFO|uv.py:302] 2025-11-12 03:36:21,660 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:10, 27.98it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 89.36it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:02<00:00, 384.85it/s, loss=0.0231]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 1496/2000 [00:09<00:03, 158.73it/s, loss=0.000977]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:12<00:00, 160.25it/s, loss=0.00333]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 226.74it/s, loss=2.44e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:36<00:00, 1.47s/it, best_score=0.116]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:05<00:00, 55.70it/s, loss=0.0692]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.14it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:08<00:00, 1.81it/s]
[Open3D INFO] actual parallel_partitions 43
[INFO|uv.py:302] 2025-11-12 05:26:56,175 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:11, 27.25it/s]
Vertices Texture baking (opt): UV: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 85.34it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:03<00:00, 313.60it/s, loss=0.0145]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 1499/2000 [00:08<00:02, 168.23it/s, loss=0.000886]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:12<00:00, 166.46it/s, loss=0.00328]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 226.37it/s, loss=2.84e-5]
PSO Optimization: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:37<00:00, 1.50s/it, best_score=0.103]
Aligning: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:02<00:00, 125.79it/s, loss=0.0726]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.08it/s]
final grids shape = torch.Size([505, 505, 505])
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 15/15 [00:07<00:00, 2.04it/s]
[Open3D INFO] actual parallel_partitions 43
[INFO|uv.py:302] 2025-11-12 07:30:08,014 >> No view mask provided for UV blending, using all valid pixels
Rendering: 300it [00:10, 27.66it/s]
Vertices Texture baking (opt): UV: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:00<00:00, 607.64it/s]
Vertices Color baking (opt): optimizing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:03<00:00, 316.99it/s, loss=0.0159]
Using cached ./models
Using cache found in ./models/facebookresearch_dino_main
Setting up [LPIPS] perceptual loss: trunk [vgg], v[0.1], spatial [off]
Loading model from: /home/XXX/anaconda3/envs/v2m4/lib/python3.10/site-packages/lpips/weights/v0.1/vgg.pth
Using VGGT to get better initial guess
Loading weights from local directory
Aligning with VGGT position: 74%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 1488/2000 [00:09<00:03, 151.15it/s, loss=0.000378]Flip the rotation matrix
Aligning with VGGT position: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:12<00:00, 163.04it/s, loss=0.00456]
Use the non-flipped parameters
Re-projecting reference image points: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:02<00:00, 227.79it/s, loss=7.47e-6]
PSO Optimization: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 25/25 [00:38<00:00, 1.54s/it, best_score=0.0623]
Aligning: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 300/300 [00:03<00:00, 96.05it/s, loss=0.0647]

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 50/50 [00:04<00:00, 10.13it/s]
final grids shape = torch.Size([505, 505, 505])

I ran it again. Here's the complete log output from one night. Only produce 10 meshes for one night running 🥹.

[WindVChen]

Hi @qwang666 ,

I’ve just reviewed the log, but unfortunately, I still can’t identify any clear issue from it. :(
From the timestamps shown for each optimization step, none of them seem to take an unusually long time. If we sum up all the displayed progress durations in the log, the total appears to be less than an hour.

I suspect the slowdown might be caused by something outside the optimization loop — perhaps during 3D model weight loading or initialization. Another possible bottleneck could be the rembg initialization, which I once found to be quite slow when testing on one of my servers:

V2M4/v2m4_trellis/pipelines/trellis_image_to_3d.py

Line 105 in 0bc7979

rembg_session = rembg.new_session('birefnet-massive')

Could you check whether your code might be getting delayed at these steps?