Wan2.1 Fun V1.1 1.3B Control Camera

🚀 Wan-Fun

😊 ようこそ！

このプロジェクトは、テキストから動画を生成する機能を提供し、diffusersライブラリを使用しています。

English | 简体中文

🚀 クイックスタート

1. クラウドでの使用: AliyunDSW/Docker

a. 阿里云DSWを通じて

DSWには無料のGPU使用時間があり、ユーザーは一度申請することができ、申請後3か月間有効です。

阿里云はFreetierで無料のGPU使用時間を提供しています。これを取得して阿里云PAI-DSWで使用すると、5分以内にCogVideoX-Funを起動できます。

b. ComfyUIを通じて

ComfyUIのインターフェースは以下の通りです。詳細はComfyUI READMEを参照してください。

c. Dockerを通じて

Dockerを使用する場合は、マシンに正しくGPUドライバとCUDA環境がインストールされていることを確認してから、以下のコマンドを順に実行してください。

# イメージをプルする
docker pull mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:cogvideox_fun

# イメージに入る
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:cogvideox_fun

# コードをクローンする
git clone https://github.com/aigc-apps/VideoX-Fun.git

# VideoX-Funのディレクトリに入る
cd VideoX-Fun

# 重みをダウンロードするためのディレクトリを作成する
mkdir models/Diffusion_Transformer
mkdir models/Personalized_Model

# モデルをダウンロードするには、hugginfaceリンクまたはmodelscopeリンクを使用してください。
# CogVideoX-Fun
# https://huggingface.co/alibaba-pai/CogVideoX-Fun-V1.1-5b-InP
# https://modelscope.cn/models/PAI/CogVideoX-Fun-V1.1-5b-InP

# Wan
# https://huggingface.co/alibaba-pai/Wan2.1-Fun-V1.1-14B-InP
# https://modelscope.cn/models/PAI/Wan2.1-Fun-V1.1-14B-InP

2. ローカルインストール: 環境チェック/ダウンロード/インストール

a. 環境チェック

このライブラリは以下の環境で動作することを確認しています。

Windowsの詳細情報：

• オペレーティングシステム: Windows 10
• python: python3.10 & python3.11
• pytorch: torch2.2.0
• CUDA: 11.8 & 12.1
• CUDNN: 8+
• GPU： Nvidia-3060 12G & Nvidia-3090 24G

Linuxの詳細情報：

• オペレーティングシステム: 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

約60GBの空きディスク容量が必要ですので、確認してください。

b. 重みの配置

重みを指定されたパスに配置することをおすすめします。

ComfyUIを通じて： モデルをComfyuiの重みフォルダComfyUI/models/Fun_Models/に配置します。

📦 ComfyUI/
├── 📂 models/
│   └── 📂 Fun_Models/
│       ├── 📂 CogVideoX-Fun-V1.1-2b-InP/
│       ├── 📂 CogVideoX-Fun-V1.1-5b-InP/
│       ├── 📂 Wan2.1-Fun-V1.1-14B-InP
│       └── 📂 Wan2.1-Fun-V1.1-1.3B-InP/

独自のPythonファイルまたはUIを実行する場合：

📦 models/
├── 📂 Diffusion_Transformer/
│   ├── 📂 CogVideoX-Fun-V1.1-2b-InP/
│   ├── 📂 CogVideoX-Fun-V1.1-5b-InP/
│   ├── 📂 Wan2.1-Fun-V1.1-14B-InP
│   └── 📂 Wan2.1-Fun-V1.1-1.3B-InP/
├── 📂 Personalized_Model/
│   └── トレーニングしたトランスフォーマーモデル / トレーニングしたloraモデル (UIロード用)

✨ 主な機能

このプロジェクトは、テキストから動画を生成する機能を提供し、異なるバージョンのモデルをサポートしています。また、ComfyUIやDockerを通じた簡単な起動方法や、ローカルでのインストール方法も提供しています。

📦 モデルアドレス

V1.1

V1.0

🎬 動画作品

Wan2.1-Fun-V1.1-14B-InP && Wan2.1-Fun-V1.1-1.3B-InP

Wan2.1-Fun-V1.1-14B-Control && Wan2.1-Fun-V1.1-1.3B-Control

一般的な制御動画 + 参照画像:

参照画像	制御動画	Wan2.1-Fun-V1.1-14B-Control	Wan2.1-Fun-V1.1-1.3B-Control

一般的な制御動画 (Canny、Pose、Depthなど) と軌跡制御:

Wan2.1-Fun-V1.1-14B-Control-Camera && Wan2.1-Fun-V1.1-1.3B-Control-Camera

💻 使用例

1. 生成

a、VRAM節約方案

Wan2.1のパラメータが非常に大きいため、VRAMを節約して消費者向けGPUに対応するためのVRAM節約方案を考慮する必要があります。各予測ファイルにはGPU_memory_modeが提供されており、model_cpu_offload、model_cpu_offload_and_qfloat8、sequential_cpu_offloadから選択できます。この方案はCogVideoX-Funの生成にも適用されます。

• model_cpu_offloadは、モデル全体が使用後にCPUに移動し、一部のVRAMを節約できます。
• model_cpu_offload_and_qfloat8は、モデル全体が使用後にCPUに移動し、トランスフォーマーモデルをfloat8で量子化することで、より多くのVRAMを節約できます。
• sequential_cpu_offloadは、モデルの各層が使用後にCPUに移動し、速度は遅くなりますが、大量のVRAMを節約できます。

qfloat8はモデルの性能を一部低下させますが、より多くのVRAMを節約できます。VRAMが十分な場合は、model_cpu_offloadの使用をおすすめします。

b、ComfyUIを通じて

詳細はComfyUI READMEを参照してください。

c、Pythonファイルを実行する

• ステップ1：対応する重みをダウンロードし、modelsフォルダに配置します。
• ステップ2：異なる重みと予測目標に応じて、異なるファイルを使用して予測を行います。現在、このライブラリはCogVideoX-Fun、Wan2.1、Wan2.1-Funをサポートしており、examplesフォルダ内のフォルダ名で区別されます。異なるモデルがサポートする機能は異なるため、具体的な状況に応じて区別してください。CogVideoX-Funを例に説明します。
  • テキストから動画を生成する：
    • examples/cogvideox_fun/predict_t2v.pyファイル内のprompt、neg_prompt、guidance_scale、seedを変更します。
    • その後、examples/cogvideox_fun/predict_t2v.pyファイルを実行し、生成結果を待ちます。結果はsamples/cogvideox-fun-videosフォルダに保存されます。
  • 画像から動画を生成する：
    • examples/cogvideox_fun/predict_i2v.pyファイル内のvalidation_image_start、validation_image_end、prompt、neg_prompt、guidance_scale、seedを変更します。
    • validation_image_startは動画の開始画像、validation_image_endは動画の終了画像です。
    • その後、examples/cogvideox_fun/predict_i2v.pyファイルを実行し、生成結果を待ちます。結果はsamples/cogvideox-fun-videos_i2vフォルダに保存されます。
  • 動画から動画を生成する：
    • examples/cogvideox_fun/predict_v2v.pyファイル内のvalidation_video、validation_image_end、prompt、neg_prompt、guidance_scale、seedを変更します。
    • validation_videoは動画から動画を生成する際の参照動画です。以下の動画を使用してデモを実行できます：デモ動画
    • その後、examples/cogvideox_fun/predict_v2v.pyファイルを実行し、生成結果を待ちます。結果はsamples/cogvideox-fun-videos_v2vフォルダに保存されます。
  • 通常の制御で動画を生成する（Canny、Pose、Depthなど）：
    • examples/cogvideox_fun/predict_v2v_control.pyファイル内のcontrol_video、validation_image_end、prompt、neg_prompt、guidance_scale、seedを変更します。
    • control_videoは動画を生成する際の制御動画で、Canny、Pose、Depthなどのオペレーターで抽出された動画です。以下の動画を使用してデモを実行できます：デモ動画
    • その後、examples/cogvideox_fun/predict_v2v_control.pyファイルを実行し、生成結果を待ちます。結果はsamples/cogvideox-fun-videos_v2v_controlフォルダに保存されます。
• ステップ3：独自にトレーニングした他のバックボーンとLoraを組み合わせる場合は、examples/{model_name}/predict_t2v.py内のexamples/{model_name}/predict_i2v.pyとlora_pathを適宜変更します。

d、UIを通じて

WebUIは、テキストから動画、画像から動画、動画から動画、通常の制御で動画を生成する機能をサポートしています。現在、このライブラリはCogVideoX-Fun、Wan2.1、Wan2.1-Funをサポートしており、examplesフォルダ内のフォルダ名で区別されます。異なるモデルがサポートする機能は異なるため、具体的な状況に応じて区別してください。CogVideoX-Funを例に説明します。

• ステップ1：対応する重みをダウンロードし、modelsフォルダに配置します。
• ステップ2：examples/cogvideox_fun/app.pyファイルを実行し、Gradioページにアクセスします。
• ステップ3：ページで生成モデルを選択し、prompt、neg_prompt、guidance_scale、seedなどを入力し、生成ボタンをクリックして生成結果を待ちます。結果はsampleフォルダに保存されます。

📚 参考文献

• CogVideo: https://github.com/THUDM/CogVideo/
• EasyAnimate: https://github.com/aigc-apps/EasyAnimate
• Wan2.1: https://github.com/Wan-Video/Wan2.1/
• ComfyUI-KJNodes: https://github.com/kijai/ComfyUI-KJNodes
• ComfyUI-EasyAnimateWrapper: https://github.com/kijai/ComfyUI-EasyAnimateWrapper
• ComfyUI-CameraCtrl-Wrapper: https://github.com/chaojie/ComfyUI-CameraCtrl-Wrapper
• CameraCtrl: https://github.com/hehao13/CameraCtrl

📄 ライセンス

このプロジェクトは Apache License (Version 2.0) を採用しています。