Wan2.1 Fun V1.1 14B Control Camera

🚀 Wan-Fun

😊 歡迎！Wan-Fun 是一個強大的文本到視頻生成項目，能夠根據輸入的文本生成高質量的視頻，為用戶帶來豐富的視覺體驗。

English | 簡體中文

🚀 快速開始

1. 雲使用: AliyunDSW/Docker

a. 通過阿里雲 DSW

DSW 有免費 GPU 時間，用戶可申請一次，申請後 3 個月內有效。

阿里雲在Freetier提供免費 GPU 時間，獲取並在阿里雲 PAI - DSW 中使用，5 分鐘內即可啟動 CogVideoX - Fun。

b. 通過 ComfyUI

我們的 ComfyUI 界面如下，具體查看ComfyUI README。

c. 通過 docker

使用 docker 的情況下，請保證機器中已經正確安裝顯卡驅動與 CUDA 環境，然後依次執行以下命令：

# pull image
docker pull mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easycv/torch_cuda:cogvideox_fun

# 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:cogvideox_fun

# clone code
git clone https://github.com/aigc-apps/VideoX-Fun.git

# enter VideoX-Fun's dir
cd VideoX-Fun

# download weights
mkdir models/Diffusion_Transformer
mkdir models/Personalized_Model

# Please use the hugginface link or modelscope link to download the model.
# 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. 本地安裝: 環境檢查/下載/安裝

a. 環境檢查

我們已驗證該庫可在以下環境中執行：

Windows 的詳細信息：

• 操作系統 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 的詳細信息：

• 操作系統 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

我們需要大約 60GB 的可用磁盤空間，請檢查！

b. 權重放置

我們最好將權重按照指定路徑進行放置：

通過 comfyui： 將模型放入 Comfyui 的權重文件夾ComfyUI/models/Fun_Models/：

📦 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/

運行自身的 python 文件或 ui 界面:

📦 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/
│   └── your trained trainformer model / your trained lora model (for UI load)

✨ 主要特性

• 多分辨率支持：支持多分辨率（512，768，1024）的視頻預測。
• 多語言預測：支持多語言輸入進行視頻生成。
• 多種控制條件：支持不同的控制條件，如 Canny、Depth、Pose、MLSD 等，還支持參考圖 + 控制條件進行控制以及使用軌跡控制。
• 多模型選擇：提供不同規模的模型權重，如 1.3B 和 14B，滿足不同需求。

📦 安裝指南

雲使用

• 阿里雲 DSW：在Freetier獲取免費 GPU 時間，在阿里雲 PAI - DSW 中使用，5 分鐘內可啟動 CogVideoX - Fun。
• ComfyUI：具體查看ComfyUI README。
• Docker：確保機器安裝顯卡驅動與 CUDA 環境，按上述命令拉取鏡像、進入容器、克隆代碼和下載權重。

本地安裝

• 環境檢查：確保系統環境符合上述 Windows 或 Linux 的要求，並檢查磁盤空間。
• 權重放置：根據使用方式將權重放置到指定文件夾。

💻 使用示例

生成

a、顯存節省方案

由於 Wan2.1 的參數非常大，我們需要考慮顯存節省方案，以節省顯存適應消費級顯卡。我們給每個預測文件都提供了 GPU_memory_mode，可以在 model_cpu_offload，model_cpu_offload_and_qfloat8，sequential_cpu_offload 中進行選擇。該方案同樣適用於 CogVideoX - Fun 的生成。

• model_cpu_offload 代表整個模型在使用後會進入 cpu，可以節省部分顯存。
• model_cpu_offload_and_qfloat8 代表整個模型在使用後會進入 cpu，並且對 transformer 模型進行了 float8 的量化，可以節省更多的顯存。
• sequential_cpu_offload 代表模型的每一層在使用後會進入 cpu，速度較慢，節省大量顯存。

qfloat8 會部分降低模型的性能，但可以節省更多的顯存。如果顯存足夠，推薦使用 model_cpu_offload。

b、通過 comfyui

具體查看ComfyUI README。

c、運行 python 文件

• 步驟 1：下載對應權重放入 models 文件夾。
• 步驟 2：根據不同的權重與預測目標使用不同的文件進行預測。當前該庫支持 CogVideoX - Fun、Wan2.1 和 Wan2.1 - Fun，在 examples 文件夾下用文件夾名以區分，不同模型支持的功能不同，請視具體情況予以區分。以 CogVideoX - Fun 為例。
  • 文生視頻：
    • 使用 examples/cogvideox_fun/predict_t2v.py 文件中修改 prompt、neg_prompt、guidance_scale 和 seed。
    • 而後運行 examples/cogvideox_fun/predict_t2v.py 文件，等待生成結果，結果保存在 samples/cogvideox - fun - videos 文件夾中。
  • 圖生視頻：
    • 使用 examples/cogvideox_fun/predict_i2v.py 文件中修改 validation_image_start、validation_image_end、prompt、neg_prompt、guidance_scale 和 seed。
    • validation_image_start 是視頻的開始圖片，validation_image_end 是視頻的結尾圖片。
    • 而後運行 examples/cogvideox_fun/predict_i2v.py 文件，等待生成結果，結果保存在 samples/cogvideox - fun - videos_i2v 文件夾中。
  • 視頻生視頻：
    • 使用 examples/cogvideox_fun/predict_v2v.py 文件中修改 validation_video、validation_image_end、prompt、neg_prompt、guidance_scale 和 seed。
    • validation_video 是視頻生視頻的參考視頻。您可以使用以下視頻運行演示：演示視頻
    • 而後運行 examples/cogvideox_fun/predict_v2v.py 文件，等待生成結果，結果保存在 samples/cogvideox - fun - videos_v2v 文件夾中。
  • 普通控制生視頻（Canny、Pose、Depth 等）：
    • 使用 examples/cogvideox_fun/predict_v2v_control.py 文件中修改 control_video、validation_image_end、prompt、neg_prompt、guidance_scale 和 seed。
    • control_video 是控制生視頻的控制視頻，是使用 Canny、Pose、Depth 等算子提取後的視頻。您可以使用以下視頻運行演示：演示視頻
    • 而後運行 examples/cogvideox_fun/predict_v2v_control.py 文件，等待生成結果，結果保存在 samples/cogvideox - fun - videos_v2v_control 文件夾中。
• 步驟 3：如果想結合自己訓練的其他 backbone 與 Lora，則看情況修改 examples/{model_name}/predict_t2v.py 中的 examples/{model_name}/predict_i2v.py 和 lora_path。

d、通過 ui 界面

webui 支持文生視頻、圖生視頻、視頻生視頻和普通控制生視頻（Canny、Pose、Depth 等）。當前該庫支持 CogVideoX - Fun、Wan2.1 和 Wan2.1 - Fun，在 examples 文件夾下用文件夾名以區分，不同模型支持的功能不同，請視具體情況予以區分。以 CogVideoX - Fun 為例。

• 步驟 1：下載對應權重放入 models 文件夾。
• 步驟 2：運行 examples/cogvideox_fun/app.py 文件，進入 gradio 頁面。
• 步驟 3：根據頁面選擇生成模型，填入 prompt、neg_prompt、guidance_scale 和 seed 等，點擊生成，等待生成結果，結果保存在 sample 文件夾中。

📚 詳細文檔

模型地址

V1.1

名稱	存儲空間	Hugging Face	Model Scope	描述
Wan2.1 - Fun - V1.1 - 1.3B - InP	19.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 1.3B 文圖生視頻權重，以多分辨率訓練，支持首尾圖預測。
Wan2.1 - Fun - V1.1 - 14B - InP	47.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 14B 文圖生視頻權重，以多分辨率訓練，支持首尾圖預測。
Wan2.1 - Fun - V1.1 - 1.3B - Control	19.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 1.3B 視頻控制權重支持不同的控制條件，如 Canny、Depth、Pose、MLSD 等，支持參考圖 + 控制條件進行控制，支持使用軌跡控制。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測
Wan2.1 - Fun - V1.1 - 14B - Control	47.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 14B 視頻控制權重支持不同的控制條件，如 Canny、Depth、Pose、MLSD 等，支持參考圖 + 控制條件進行控制，支持使用軌跡控制。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測
Wan2.1 - Fun - V1.1 - 1.3B - Control - Camera	19.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 1.3B 相機鏡頭控制權重。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測
Wan2.1 - Fun - V1.1 - 14B - Control	47.0 GB	🤗Link	😄Link	Wan2.1 - Fun - V1.1 - 14B 相機鏡頭控制權重。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測

V1.0

名稱	存儲空間	Hugging Face	Model Scope	描述
Wan2.1 - Fun - 1.3B - InP	19.0 GB	🤗Link	😄Link	Wan2.1 - Fun - 1.3B 文圖生視頻權重，以多分辨率訓練，支持首尾圖預測。
Wan2.1 - Fun - 14B - InP	47.0 GB	🤗Link	😄Link	Wan2.1 - Fun - 14B 文圖生視頻權重，以多分辨率訓練，支持首尾圖預測。
Wan2.1 - Fun - 1.3B - Control	19.0 GB	🤗Link	😄Link	Wan2.1 - Fun - 1.3B 視頻控制權重，支持不同的控制條件，如 Canny、Depth、Pose、MLSD 等，同時支持使用軌跡控制。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測
Wan2.1 - Fun - 14B - Control	47.0 GB	🤗Link	😄Link	Wan2.1 - Fun - 14B 視頻控制權重，支持不同的控制條件，如 Canny、Depth、Pose、MLSD 等，同時支持使用軌跡控制。支持多分辨率（512，768，1024）的視頻預測，以 81 幀、每秒 16 幀進行訓練，支持多語言預測

視頻作品

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

Generic Control Video + Reference Image:

Reference Image	Control Video	Wan2.1 - Fun - V1.1 - 14B - Control	Wan2.1 - Fun - V1.1 - 1.3B - Control

Generic Control Video (Canny, Pose, Depth, etc.) and Trajectory Control:

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

Pan Up	Pan Left	Pan Right
Pan Down	Pan Up + Pan Left	Pan Up + Pan Right

📄 許可證

本項目採用 Apache License (Version 2.0)。

🔗 參考文獻

• 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