Ltxvideo Disney

🚀 ltxvideo - disney

このプロジェクトは、Lightricks/LTX - Video をベースとしたLyCORISアダプターです。主に、スタイルが「Steamboat Willie」の白黒ディズニーシーンのビデオ生成に特化しています。

🚀 クイックスタート

このアダプターを使用することで、ベースモデルの性能を向上させ、特定のスタイルのビデオを生成できます。以下のセクションで、詳細な設定や使用方法を説明します。

✨ 主な機能

• ベースモデル Lightricks/LTX - Video を拡張し、特定のスタイルのビデオ生成が可能。
• 訓練時と推論時の設定を柔軟に調整できる。
• サンプル画像を通じて、生成結果を確認できる。

📚 ドキュメント

検証設定

• CFG: 3.8
• CFG Rescale: 0.0
• Steps: 25
• Sampler: FlowMatchEulerDiscreteScheduler
• Seed: 42
• Resolution: 768x512

注意: 検証設定は 訓練設定 と必ずしも同じではありません。

訓練設定

• 訓練エポック数: 2666
• 訓練ステップ数: 8000
• 学習率: 5e - 05
  • 学習率スケジュール: cosine
  • ウォームアップステップ数: 400000
• 最大勾配値: 0.0
• 有効バッチサイズ: 24
  • マイクロバッチサイズ: 8
  • 勾配累積ステップ数: 1
  • GPU数: 3
• 勾配チェックポイント: True
• 予測タイプ: flow - matching (追加パラメータ=['training_scheduler_timestep_spacing=trailing', 'inference_scheduler_timestep_spacing=trailing'])
• オプティマイザ: adamw_bf16
• 訓練可能パラメータ精度: Pure BF16
• ベースモデル精度: int8 - quanto
• キャプションドロップアウト確率: 10.0%

LyCORIS設定

{
    "bypass_mode": true,
    "algo": "lokr",
    "multiplier": 1.0,
    "full_matrix": true,
    "linear_dim": 10000,
    "linear_alpha": 1,
    "factor": 4,
    "apply_preset": {
        "target_module": [
            "Attention",
            "FeedForward"
        ],
        "module_algo_map": {
            "FeedForward": {
                "factor": 4
            },
            "Attention": {
                "factor": 2
            }
        }
    }
}

データセット

disney - black - and - white

• 繰り返し回数: 0
• 画像総数: ~69
• アスペクトバケット総数: 1
• 解像度: 0.2304メガピクセル
• クロップ: False
• クロップスタイル: None
• クロップアスペクト: None
• 正則化データとしての使用: No

指数移動平均 (EMA)

SimpleTunerは、EMA重みのsafetensorsバリアントとptファイルを生成します。safetensorsファイルは推論に、ptファイルは追加の微調整に使用されます。EMAモデルは、よりバランスの取れた結果を提供する可能性がありますが、通常、モデル重みの減衰平均であるため、完全なモデルと比較して訓練不足に感じられることがあります。

💻 使用例

基本的な使用法

import torch
from diffusers import DiffusionPipeline
from lycoris import create_lycoris_from_weights


def download_adapter(repo_id: str):
    import os
    from huggingface_hub import hf_hub_download
    adapter_filename = "pytorch_lora_weights.safetensors"
    cache_dir = os.environ.get('HF_PATH', os.path.expanduser('~/.cache/huggingface/hub/models'))
    cleaned_adapter_path = repo_id.replace("/", "_").replace("\\", "_").replace(":", "_")
    path_to_adapter = os.path.join(cache_dir, cleaned_adapter_path)
    path_to_adapter_file = os.path.join(path_to_adapter, adapter_filename)
    os.makedirs(path_to_adapter, exist_ok=True)
    hf_hub_download(
        repo_id=repo_id, filename=adapter_filename, local_dir=path_to_adapter
    )

    return path_to_adapter_file
    
model_id = 'Lightricks/LTX-Video'
adapter_repo_id = 'bghira/ltxvideo-disney'
adapter_filename = 'pytorch_lora_weights.safetensors'
adapter_file_path = download_adapter(repo_id=adapter_repo_id)
pipeline = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16) # loading directly in bf16
lora_scale = 1.0
wrapper, _ = create_lycoris_from_weights(lora_scale, adapter_file_path, pipeline.transformer)
wrapper.merge_to()

prompt = "A black and white disney scene in the style of Steamboat Willie"
negative_prompt = 'ugly, cropped, blurry, low-quality, mediocre average'

## Optional: quantise the model to save on vram.
## Note: The model was quantised during training, and so it is recommended to do the same during inference time.
from optimum.quanto import quantize, freeze, qint8
quantize(pipeline.transformer, weights=qint8)
freeze(pipeline.transformer)
    
pipeline.to('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu') # the pipeline is already in its target precision level
model_output = pipeline(
    prompt=prompt,
    negative_prompt=negative_prompt,
    num_inference_steps=25,
    generator=torch.Generator(device='cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu').manual_seed(42),
    width=768,
    height=512,
    guidance_scale=3.8,
).frames[0]

from diffusers.utils.export_utils import export_to_gif
export_to_gif(model_output, "output.gif", fps=25)

📄 ライセンス

ライセンスは other です。