Cogvideox 5b

🚀 CogVideoX-5B

CogVideoX-5B是一個開源的視頻生成模型，源自清影。它能根據文本輸入生成高質量的視頻，為視頻創作帶來了新的可能。

📄 中文閱讀 | 🤗 Huggingface Space | 🌐 Github | 📜 arxiv

🚀 快速開始

本模型支持使用huggingface diffusers庫進行部署。你可以按照以下步驟進行部署：

建議訪問我們的GitHub，查看相關的提示詞優化和轉換方法，以獲得更好的體驗。

1. 安裝所需依賴

# diffusers>=0.30.1
# transformers>=4.44.2
# accelerate>=0.33.0 (建議從源代碼安裝)
# imageio-ffmpeg>=0.5.1
pip install --upgrade transformers accelerate diffusers imageio-ffmpeg 

2. 運行代碼

import torch
from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video

prompt = "A panda, dressed in a small, red jacket and a tiny hat, sits on a wooden stool in a serene bamboo forest. The panda's fluffy paws strum a miniature acoustic guitar, producing soft, melodic tunes. Nearby, a few other pandas gather, watching curiously and some clapping in rhythm. Sunlight filters through the tall bamboo, casting a gentle glow on the scene. The panda's face is expressive, showing concentration and joy as it plays. The background includes a small, flowing stream and vibrant green foliage, enhancing the peaceful and magical atmosphere of this unique musical performance."

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)

pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

video = pipe(
    prompt=prompt,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

export_to_video(video, "output.mp4", fps=8)

✨ 主要特性

CogVideoX是源自清影的視頻生成模型的開源版本。以下表格展示了我們目前提供的視頻生成模型列表及其基礎信息：

數據說明

• 使用diffusers庫進行測試時，啟用了enable_model_cpu_offload()選項和pipe.vae.enable_tiling()優化。此解決方案尚未在NVIDIA A100/H100以外的設備上測試實際顯存/內存使用情況。一般來說，該解決方案可適用於所有NVIDIA安培架構及以上的設備。如果禁用優化，顯存使用量將顯著增加，峰值顯存約為表中值的3倍。
• 進行多GPU推理時，需要禁用enable_model_cpu_offload()優化。
• 使用INT8模型會導致推理速度降低。這是為了適應顯存較低的GPU，使推理能夠在視頻質量損失最小的情況下正常運行，但推理速度會顯著降低。
• 2B模型使用FP16精度進行訓練，而5B模型使用BF16精度進行訓練。建議使用模型訓練時使用的精度進行推理。
• FP8精度必須在NVIDIA H100及以上設備上使用，需要從源代碼安裝torch、torchao、diffusers和accelerate Python包。建議使用CUDA 12.4。
• 推理速度測試也使用了上述顯存優化方案。如果不進行顯存優化，推理速度將提高約10%。只有使用diffusers的模型支持量化。

注意事項

• 使用 SAT 對SAT版本的模型進行推理和微調。歡迎訪問我們的GitHub獲取更多信息。

💻 使用示例

基礎用法

import torch
from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video

prompt = "A panda, dressed in a small, red jacket and a tiny hat, sits on a wooden stool in a serene bamboo forest. The panda's fluffy paws strum a miniature acoustic guitar, producing soft, melodic tunes. Nearby, a few other pandas gather, watching curiously and some clapping in rhythm. Sunlight filters through the tall bamboo, casting a gentle glow on the scene. The panda's face is expressive, showing concentration and joy as it plays. The background includes a small, flowing stream and vibrant green foliage, enhancing the peaceful and magical atmosphere of this unique musical performance."

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)

pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

video = pipe(
    prompt=prompt,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

export_to_video(video, "output.mp4", fps=8)

📚 詳細文檔

歡迎訪問我們的github，你將在那裡找到：

1. 更詳細的技術細節和代碼解釋。
2. 提示詞的優化和轉換。
3. SAT版本模型的推理和微調，甚至預發佈內容。
4. 項目更新日誌動態，更多互動機會。
5. CogVideoX工具鏈，幫助你更好地使用模型。
6. INT8模型推理代碼支持。

📄 許可證

本模型根據 CogVideoX LICENSE 發佈。

📚 引用

@article{yang2024cogvideox,
  title={CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer},
  author={Yang, Zhuoyi and Teng, Jiayan and Zheng, Wendi and Ding, Ming and Huang, Shiyu and Xu, Jiazheng and Yang, Yuanming and Hong, Wenyi and Zhang, Xiaohan and Feng, Guanyu and others},
  journal={arXiv preprint arXiv:2408.06072},
  year={2024}
}

🎥 演示展示