Cogvideox1.5 5B I2V

🚀 CogVideoX1.5-5B-I2V

CogVideoX1.5-5B-I2V 是一個開源的視頻生成模型，類似於 QingYing，可實現從圖像到視頻的轉換。

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

📍 訪問 清影 和 API 平臺 體驗商業視頻生成模型

🚀 快速開始

這個模型支持使用 Hugging Face diffusers 庫進行部署。你可以按照以下步驟開始使用。

我們建議你訪問我們的 GitHub 查看提示優化和轉換方法，以獲得更好的體驗。

安裝所需依賴

# diffusers (從源代碼安裝)
# transformers>=4.46.2
# accelerate>=1.1.1
# imageio-ffmpeg>=0.5.1
pip install git+https://github.com/huggingface/diffusers
pip install --upgrade transformers accelerate diffusers imageio-ffmpeg

運行代碼

import torch
from diffusers import CogVideoXImageToVideoPipeline
from diffusers.utils import export_to_video, load_image

prompt = "A little girl is riding a bicycle at high speed. Focused, detailed, realistic."
image = load_image(image="input.jpg")
pipe = CogVideoXImageToVideoPipeline.from_pretrained(
    "THUDM/CogVideoX1.5-5B-I2V",
    torch_dtype=torch.bfloat16
)

pipe.enable_sequential_cpu_offload()
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

video = pipe(
    prompt=prompt,
    image=image,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=81,
    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 是一個類似於 QingYing 的開源視頻生成模型。以下表格列出了此版本可用的視頻生成模型的相關信息：

數據說明

• 使用 diffusers 庫進行測試時，啟用了庫中包含的所有優化。此方案尚未在非 NVIDIA A100/H100 設備上進行測試，一般來說，它應該適用於所有 NVIDIA Ampere 架構或更高版本的設備。禁用優化會使顯存使用量增加兩倍，但速度會提高 3 - 4 倍。你可以選擇性地禁用某些優化，包括：

pipe.enable_sequential_cpu_offload()
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

• 在多 GPU 推理中，需要禁用 enable_sequential_cpu_offload() 優化。
• 使用 INT8 模型會降低推理速度，在滿足較低顯存 GPU 要求的同時，視頻質量的下降最小，但代價是速度顯著降低。
• 可以使用 PytorchAO 和 Optimum-quanto 對文本編碼器、Transformer 和 VAE 模塊進行量化，從而降低 CogVideoX 的內存需求，使模型能夠在顯存較小的 GPU 上運行。TorchAO 量化與 torch.compile 完全兼容，可顯著提高推理速度。NVIDIA H100 及以上設備需要 FP8 精度，這需要從源代碼安裝 torch、torchao、diffusers 和 accelerate。建議使用 CUDA 12.4。
• 推理速度測試也使用了上述顯存優化，在不進行優化的情況下，速度大約提高 10%。只有 diffusers 版本的模型支持量化。
• 模型僅支持英文輸入，在編寫提示時，其他語言應使用更大的模型翻譯成英文。

注意事項

• 使用 SAT 進行推理和微調 SAT 版本的模型。更多詳細信息請查看我們的 GitHub。

💻 使用示例

基礎用法

import torch
from diffusers import CogVideoXImageToVideoPipeline
from diffusers.utils import export_to_video, load_image

prompt = "A little girl is riding a bicycle at high speed. Focused, detailed, realistic."
image = load_image(image="input.jpg")
pipe = CogVideoXImageToVideoPipeline.from_pretrained(
    "THUDM/CogVideoX1.5-5B-I2V",
    torch_dtype=torch.bfloat16
)

pipe.enable_sequential_cpu_offload()
pipe.vae.enable_tiling()
pipe.vae.enable_slicing()

video = pipe(
    prompt=prompt,
    image=image,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=81,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

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

量化推理

# 首先，需要從 GitHub 源代碼安裝 PytorchAO 和 PyTorch Nightly。
# 在下一個版本發佈之前，才需要從源代碼和 Nightly 版本安裝。

import torch
from diffusers import AutoencoderKLCogVideoX, CogVideoXTransformer3DModel, CogVideoXImageToVideoPipeline
from diffusers.utils import export_to_video, load_image
from transformers import T5EncoderModel
from torchao.quantization import quantize_, int8_weight_only

quantization = int8_weight_only

text_encoder = T5EncoderModel.from_pretrained("THUDM/CogVideoX1.5-5B-I2V", subfolder="text_encoder",
                                              torch_dtype=torch.bfloat16)
quantize_(text_encoder, quantization())

transformer = CogVideoXTransformer3DModel.from_pretrained("THUDM/CogVideoX1.5-5B-I2V", subfolder="transformer",
                                                          torch_dtype=torch.bfloat16)
quantize_(transformer, quantization())

vae = AutoencoderKLCogVideoX.from_pretrained("THUDM/CogVideoX1.5-5B-I2V", subfolder="vae", torch_dtype=torch.bfloat16)
quantize_(vae, quantization())

# 創建管道並運行推理
pipe = CogVideoXImageToVideoPipeline.from_pretrained(
    "THUDM/CogVideoX1.5-5B-I2V",
    text_encoder=text_encoder,
    transformer=transformer,
    vae=vae,
    torch_dtype=torch.bfloat16,
)

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

prompt = "A little girl is riding a bicycle at high speed. Focused, detailed, realistic."
image = load_image(image="input.jpg")
video = pipe(
    prompt=prompt,
    image=image,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=81,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

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

此外，可以使用 PytorchAO 將這些模型序列化為量化數據類型並存儲，以節省磁盤空間。你可以在以下鏈接找到示例和基準測試：

• torchao
• quanto

📚 詳細文檔

你可以隨時訪問我們的 GitHub，在那裡你可以找到：

1. 更詳細的技術解釋和代碼。
2. 優化的提示示例和轉換方法。
3. 模型推理和微調的詳細代碼。
4. 項目更新日誌和更多互動機會。
5. CogVideoX 工具鏈，幫助你更好地使用模型。
6. INT8 模型推理代碼。

📄 許可證

此模型根據 CogVideoX 許可證 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}
}