EasyAnimate | 高分辨率长视频生成的端到端解决方案
😊 EasyAnimate是一个用于生成高分辨率和长视频的端到端解决方案。我们可以训练基于转换器的扩散生成器,训练用于处理长视频的VAE,以及预处理元数据。
😊 我们基于DIT,使用transformer进行作为扩散器进行视频与图片生成。
😊 Welcome!
English
| 简体中文
目录
简介
EasyAnimate是一个基于transformer结构的pipeline,可用于生成AI图片与视频、训练Diffusion Transformer的基线模型与Lora模型,我们支持从已经训练好的EasyAnimate模型直接进行预测,生成不同分辨率,6秒左右、fps8的视频(EasyAnimateV5,1 ~ 49帧),也支持用户训练自己的基线模型与Lora模型,进行一定的风格变换。
我们会逐渐支持从不同平台快速启动,请参阅
快速启动
。
新特性:
更新到v5版本,最大支持1024x1024,49帧, 6s, 8fps视频生成,拓展模型规模到12B,应用MMDIT结构,支持不同输入的控制模型,支持中文与英文双语预测。[ 2024.11.08 ]
更新到v4版本,最大支持1024x1024,144帧, 6s, 24fps视频生成,支持文、图、视频生视频,单个模型可支持512到1280任意分辨率,支持中文与英文双语预测。[ 2024.08.15 ]
更新到v3版本,最大支持960x960,144帧,6s, 24fps视频生成,支持文与图生视频模型。[ 2024.07.01 ]
ModelScope-Sora“数据导演”创意竞速——第三届Data-Juicer大模型数据挑战赛已经正式启动!其使用EasyAnimate作为基础模型,探究数据处理对于模型训练的作用。立即访问
竞赛官网
,了解赛事详情。[ 2024.06.17 ]
更新到v2版本,最大支持768x768,144帧,6s, 24fps视频生成。[ 2024.05.26 ]
创建代码!现在支持 Windows 和 Linux。[ 2024.04.12 ]
功能概览:
我们的ui界面如下:
快速启动
1. 云使用: AliyunDSW/Docker
a. 通过阿里云 DSW
DSW 有免费 GPU 时间,用户可申请一次,申请后3个月内有效。
阿里云在
Freetier
提供免费GPU时间,获取并在阿里云PAI-DSW中使用,5分钟内即可启动EasyAnimate
b. 通过ComfyUI
我们的ComfyUI界面如下,具体查看
ComfyUI README
。
c. 通过docker
使用docker的情况下,请保证机器中已经正确安装显卡驱动与CUDA环境,然后以此执行以下命令:
# pull image
docker pull mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:easyanimate
# enter image
docker run -it -p 7860:7860 --network host --gpus all --security-opt seccomp:unconfined --shm-size 200g mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:easyanimate
# clone code
git clone https://github.com/aigc-apps/EasyAnimate.git
# enter EasyAnimate's dir
cd EasyAnimate
# download weights
mkdir models/Diffusion_Transformer
mkdir models/Motion_Module
mkdir models/Personalized_Model
# Please use the hugginface link or modelscope link to download the EasyAnimateV5 model.
# I2V models
# https://huggingface.co/alibaba-pai/EasyAnimateV5-12b-zh-InP
# https://modelscope.cn/models/PAI/EasyAnimateV5-12b-zh-InP
# T2V models
# https://huggingface.co/alibaba-pai/EasyAnimateV5-12b-zh
# https://modelscope.cn/models/PAI/EasyAnimateV5-12b-zh
2. 本地安装: 环境检查/下载/安装
a. 环境检查
我们已验证EasyAnimate可在以下环境中执行:
Windows 的详细信息:
操作系统 Windows 10
python: python3.10 & python3.11
pytorch: torch2.2.0
CUDA: 11.8 & 12.1
CUDNN: 8+
GPU: Nvidia-3060 12G
Linux 的详细信息:
操作系统 Ubuntu 20.04, CentOS
python: python3.10 & python3.11
pytorch: torch2.2.0
CUDA: 11.8 & 12.1
CUDNN: 8+
GPU:Nvidia-V100 16G & Nvidia-A10 24G & Nvidia-A100 40G & Nvidia-A100 80G
我们需要大约 60GB 的可用磁盘空间,请检查!
b. 权重放置
我们最好将
权重
按照指定路径进行放置:
EasyAnimateV5:
📦 models/
├── 📂 Diffusion_Transformer/
│ ├── 📂 EasyAnimateV5-12b-zh-InP/
│ └── 📂 EasyAnimateV5-12b-zh/
├── 📂 Personalized_Model/
│ └── your trained trainformer model / your trained lora model (for UI load)
视频作品
所展示的结果都是图生视频获得。
EasyAnimateV5-12b-zh-InP
Resolution-1024
Resolution-768
Resolution-512
EasyAnimateV5-12b-zh-Control
如何使用
1. 生成
a、运行python文件
步骤1:下载对应
权重
放入models文件夹。
步骤2:在predict_t2v.py文件中修改prompt、neg_prompt、guidance_scale和seed。
步骤3:运行predict_t2v.py文件,等待生成结果,结果保存在samples/easyanimate-videos文件夹中。
步骤4:如果想结合自己训练的其他backbone与Lora,则看情况修改predict_t2v.py中的predict_t2v.py和lora_path。
b、通过ui界面
步骤1:下载对应
权重
放入models文件夹。
步骤2:运行app.py文件,进入gradio页面。
步骤3:根据页面选择生成模型,填入prompt、neg_prompt、guidance_scale和seed等,点击生成,等待生成结果,结果保存在sample文件夹中。
c、通过comfyui
具体查看
ComfyUI README
。
d、显存节省方案
由于EasyAnimateV5的参数非常大,我们需要考虑显存节省方案,以节省显存适应消费级显卡。我们给每个预测文件都提供了GPU_memory_mode,可以在model_cpu_offload,model_cpu_offload_and_qfloat8,sequential_cpu_offload中进行选择。
model_cpu_offload代表整个模型在使用后会进入cpu,可以节省部分显存。
model_cpu_offload_and_qfloat8代表整个模型在使用后会进入cpu,并且对transformer模型进行了float8的量化,可以节省更多的显存。
sequential_cpu_offload代表模型的每一层在使用后会进入cpu,速度较慢,节省大量显存。
qfloat8会降低模型的性能,但可以节省更多的显存。如果显存足够,推荐使用model_cpu_offload。
2. 模型训练
一个完整的EasyAnimate训练链路应该包括数据预处理、Video VAE训练、Video DiT训练。其中Video VAE训练是一个可选项,因为我们已经提供了训练好的Video VAE。
a.数据预处理
我们给出了一个简单的demo通过图片数据训练lora模型,详情可以查看
wiki
。
一个完整的长视频切分、清洗、描述的数据预处理链路可以参考video caption部分的
README
进行。
如果期望训练一个文生图视频的生成模型,您需要以这种格式排列数据集。
📦 project/
├── 📂 datasets/
│ ├── 📂 internal_datasets/
│ ├── 📂 train/
│ │ ├── 📄 00000001.mp4
│ │ ├── 📄 00000002.jpg
│ │ └── 📄 .....
│ └── 📄 json_of_internal_datasets.json
json_of_internal_datasets.json是一个标准的json文件。json中的file_path可以被设置为相对路径,如下所示:
[
{
"file_path" : "train/00000001.mp4" ,
"text" : "A group of young men in suits and sunglasses are walking down a city street." ,
"type" : "video"
} ,
{
"file_path" : "train/00000002.jpg" ,
"text" : "A group of young men in suits and sunglasses are walking down a city street." ,
"type" : "image"
} ,
.....
]
你也可以将路径设置为绝对路径:
[
{
"file_path" : "/mnt/data/videos/00000001.mp4" ,
"text" : "A group of young men in suits and sunglasses are walking down a city street." ,
"type" : "video"
} ,
{
"file_path" : "/mnt/data/train/00000001.jpg" ,
"text" : "A group of young men in suits and sunglasses are walking down a city street." ,
"type" : "image"
} ,
.....
]
b. Video VAE训练 (可选)
Video VAE训练是一个可选项,因为我们已经提供了训练好的Video VAE。
如果想要进行训练,可以参考video vae部分的
README
进行。
c. Video DiT训练
如果数据预处理时,数据的格式为相对路径,则进入scripts/train.sh进行如下设置。
export DATASET_NAME="datasets/internal_datasets/"
export DATASET_META_NAME="datasets/internal_datasets/json_of_internal_datasets.json"
...
train_data_format="normal"
如果数据的格式为绝对路径,则进入scripts/train.sh进行如下设置。
export DATASET_NAME=""
export DATASET_META_NAME="/mnt/data/json_of_internal_datasets.json"
最后运行scripts/train.sh。
sh scripts/train.sh
关于一些参数的设置细节,可以查看
Readme Train
与
Readme Lora
(Obsolete) EasyAnimateV1:
如果你想训练EasyAnimateV1。请切换到git分支v1。
模型地址
EasyAnimateV5:
名称
种类
存储空间
Hugging Face
Model Scope
描述
EasyAnimateV5-12b-zh-InP
EasyAnimateV5
34 GB
🤗Link
😄Link
官方的图生视频权重。支持多分辨率(512,768,1024)的视频预测,支持多分辨率(512,768,1024)的视频预测,以49帧、每秒8帧进行训练,支持中文与英文双语预测
EasyAnimateV5-12b-zh-Control
EasyAnimateV5
34 GB
🤗Link
😄Link
官方的视频控制权重,支持不同的控制条件,如Canny、Depth、Pose、MLSD等。支持多分辨率(512,768,1024)的视频预测,支持多分辨率(512,768,1024)的视频预测,以49帧、每秒8帧进行训练,支持中文与英文双语预测
EasyAnimateV5-12b-zh
EasyAnimateV5
34 GB
🤗Link
😄Link
官方的文生视频权重。可用于进行下游任务的fientune。支持多分辨率(512,768,1024)的视频预测,支持多分辨率(512,768,1024)的视频预测,以49帧、每秒8帧进行训练,支持中文与英文双语预测
(Obsolete) EasyAnimateV4:
名称
种类
存储空间
下载地址
Hugging Face
描述
EasyAnimateV4-XL-2-InP.tar.gz
EasyAnimateV4
解压前 8.9 GB / 解压后 14.0 GB
Download
🤗Link
官方的图生视频权重。支持多分辨率(512,768,1024,1280)的视频预测,以144帧、每秒24帧进行训练
(Obsolete) EasyAnimateV3:
名称
种类
存储空间
下载地址
Hugging Face
描述
EasyAnimateV3-XL-2-InP-512x512.tar
EasyAnimateV3
18.2GB
Download
🤗Link
官方的512x512分辨率的图生视频权重。以144帧、每秒24帧进行训练
EasyAnimateV3-XL-2-InP-768x768.tar
EasyAnimateV3
18.2GB
Download
🤗Link
官方的768x768分辨率的图生视频权重。以144帧、每秒24帧进行训练
EasyAnimateV3-XL-2-InP-960x960.tar
EasyAnimateV3
18.2GB
Download
🤗Link
官方的960x960(720P)分辨率的图生视频权重。以144帧、每秒24帧进行训练
(Obsolete) EasyAnimateV2:
名称
种类
存储空间
下载地址
Hugging Face
描述
EasyAnimateV2-XL-2-512x512.tar
EasyAnimateV2
16.2GB
Download
🤗Link
官方的512x512分辨率的重量。以144帧、每秒24帧进行训练
EasyAnimateV2-XL-2-768x768.tar
EasyAnimateV2
16.2GB
Download
🤗Link
官方的768x768分辨率的重量。以144帧、每秒24帧进行训练
easyanimatev2_minimalism_lora.safetensors
Lora of Pixart
485.1MB
Download
-
使用特定类型的图像进行lora训练的结果。图片可从这里
下载
.
(Obsolete) EasyAnimateV1:
1、运动权重
名称
种类
存储空间
下载地址
描述
easyanimate_v1_mm.safetensors
Motion Module
4.1GB
download
Training with 80 frames and fps 12
2、其他权重
名称
种类
存储空间
下载地址
描述
PixArt-XL-2-512x512.tar
Pixart
11.4GB
download
Pixart-Alpha official weights
easyanimate_portrait.safetensors
Checkpoint of Pixart
2.3GB
download
Training with internal portrait datasets
easyanimate_portrait_lora.safetensors
Lora of Pixart
654.0MB
download
Training with internal portrait datasets
未来计划
联系我们
扫描下方二维码或搜索群号:77450006752 来加入钉钉群。
扫描下方二维码来加入微信群(如果二维码失效,可扫描最右边同学的微信,邀请您入群)
参考文献
许可证
本项目采用
Apache License (Version 2.0)
.