mirror of
https://github.com/THUDM/CogVideo.git
synced 2025-06-28 21:29:21 +08:00
143 lines
6.7 KiB
Markdown
143 lines
6.7 KiB
Markdown
# CogVideoX diffusers 微調整方法
|
||
|
||
[Read this in English.](./README_zh)
|
||
|
||
[中文阅读](./README_zh.md)
|
||
|
||
|
||
この機能はまだ完全に完成していません。SATバージョンの微調整を確認したい場合は、[こちら](../sat/README_ja.md)を参照してください。本バージョンとは異なるデータセット形式を使用しています。
|
||
|
||
## ハードウェア要件
|
||
|
||
+ CogVideoX-2B LORA: 1 * A100
|
||
+ CogVideoX-2B SFT: 8 * A100
|
||
+ CogVideoX-5B/5B-I2V まだサポートしていません
|
||
|
||
## 依存関係のインストール
|
||
|
||
関連コードはまだdiffusersのリリース版に統合されていないため、diffusersブランチを使用して微調整を行う必要があります。以下の手順に従って依存関係をインストールしてください：
|
||
|
||
```shell
|
||
git clone https://github.com/huggingface/diffusers.git
|
||
cd diffusers
|
||
git checkout cogvideox-lora-and-training
|
||
pip install -e .
|
||
```
|
||
|
||
## データセットの準備
|
||
|
||
まず、データセットを準備する必要があります。データセットの形式は以下のようになります。
|
||
|
||
```
|
||
.
|
||
├── prompts.txt
|
||
├── videos
|
||
└── videos.txt
|
||
```
|
||
|
||
[ディズニースチームボートウィリー](https://huggingface.co/datasets/Wild-Heart/Disney-VideoGeneration-Dataset)をここからダウンロードできます。
|
||
|
||
ビデオ微調整データセットはテスト用として使用されます。
|
||
|
||
## 設定ファイルと実行
|
||
|
||
`accelerate` 設定ファイルは以下の通りです:
|
||
|
||
+ accelerate_config_machine_multi.yaml 複数GPU向け
|
||
+ accelerate_config_machine_single.yaml 単一GPU向け
|
||
|
||
`finetune` スクリプト設定ファイルの例：
|
||
|
||
```shell
|
||
export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
|
||
# このコマンドは、OOM（メモリ不足）エラーを防ぐために、CUDAメモリ割り当てを拡張セグメントに設定します。
|
||
|
||
accelerate launch --config_file accelerate_config_machine_single.yaml --multi_gpu # 複数のGPUで `accelerate` を使用してトレーニングを開始します。指定された設定ファイルを使用します。
|
||
|
||
train_cogvideox_lora.py # LoRA微調整用に CogVideoX モデルをトレーニングするスクリプトです。
|
||
|
||
--pretrained_model_name_or_path THUDM/CogVideoX-2b # 事前学習済みモデルのパスです。
|
||
|
||
--cache_dir ~/.cache # Hugging Faceからダウンロードされたモデルとデータセットのキャッシュディレクトリです。
|
||
|
||
--enable_tiling # VAEタイル化機能を有効にし、メモリ使用量を削減します。
|
||
|
||
--enable_slicing # VAEスライス機能を有効にして、チャネルでのスライス処理を行い、メモリを節約します。
|
||
|
||
--instance_data_root ~/disney/ # インスタンスデータのルートディレクトリです。
|
||
|
||
--caption_column prompts.txt # テキストプロンプトが含まれているファイルや列を指定します。
|
||
|
||
--video_column videos.txt # ビデオパスが含まれているファイルや列を指定します。
|
||
|
||
--validation_prompt "Mickey with the captain and friends:::Mickey and the bear" # 検証用のプロンプトを指定します。複数のプロンプトを指定するには `:::` 区切り文字を使用します。
|
||
|
||
--validation_prompt_separator ::: # 検証プロンプトの区切り文字を `:::` に設定します。
|
||
|
||
--num_validation_videos 1 # 検証中に生成するビデオの数を1に設定します。
|
||
|
||
--validation_epochs 2 # 何エポックごとに検証を行うかを2に設定します。
|
||
|
||
--seed 3407 # ランダムシードを3407に設定し、トレーニングの再現性を確保します。
|
||
|
||
--rank 128 # LoRAの更新マトリックスの次元を128に設定します。
|
||
|
||
--mixed_precision bf16 # 混合精度トレーニングを `bf16` (bfloat16) に設定します。
|
||
|
||
--output_dir cogvideox-lora-single-gpu # 出力ディレクトリを指定します。
|
||
|
||
--height 480 # 入力ビデオの高さを480ピクセルに設定します。
|
||
|
||
--width 720 # 入力ビデオの幅を720ピクセルに設定します。
|
||
|
||
--fps 8 # 入力ビデオのフレームレートを8 fpsに設定します。
|
||
|
||
--max_num_frames 49 # 入力ビデオの最大フレーム数を49に設定します。
|
||
|
||
--skip_frames_start 0 # 各ビデオの最初のフレームをスキップしません。
|
||
|
||
--skip_frames_end 0 # 各ビデオの最後のフレームをスキップしません。
|
||
|
||
--train_batch_size 1 # トレーニングバッチサイズを1に設定します。
|
||
|
||
--num_train_epochs 10 # トレーニングのエポック数を10に設定します。
|
||
|
||
--checkpointing_steps 500 # 500ステップごとにチェックポイントを保存します。
|
||
|
||
--gradient_accumulation_steps 1 # 1ステップごとに勾配を蓄積して更新します。
|
||
|
||
--learning_rate 1e-4 # 初期学習率を1e-4に設定します。
|
||
|
||
--optimizer AdamW # AdamWオプティマイザーを使用します。
|
||
|
||
--adam_beta1 0.9 # Adamのbeta1パラメータを0.9に設定します。
|
||
|
||
--adam_beta2 0.95 # Adamのbeta2パラメータを0.95に設定します。
|
||
```
|
||
|
||
## 微調整を開始
|
||
|
||
単一GPU微調整：
|
||
|
||
```shell
|
||
bash finetune_single_gpu.sh
|
||
```
|
||
|
||
複数GPU微調整：
|
||
|
||
```shell
|
||
bash finetune_multi_gpus_1.sh # 各ノードで実行する必要があります。
|
||
```
|
||
|
||
## 微調整済みモデルのロード
|
||
|
||
+ 微調整済みのモデルをロードする方法については、[cli_demo.py](../inference/cli_demo.py) を参照してください。
|
||
|
||
## ベストプラクティス
|
||
|
||
+ 解像度が `200 x 480 x 720`（フレーム数 x 高さ x 幅）のトレーニングビデオが70本含まれています。データ前処理でフレームをスキップすることで、49フレームと16フレームの小さなデータセットを作成しました。これは実験を加速するためのもので、CogVideoXチームが推奨する最大フレーム数制限は49フレームです。
|
||
+ 25本以上のビデオが新しい概念やスタイルのトレーニングに最適です。
|
||
+ 現在、`--id_token` を指定して識別トークンを使用してトレーニングする方が効果的です。これはDreamboothトレーニングに似ていますが、通常の微調整でも機能します。
|
||
+ 元のリポジトリでは `lora_alpha` を1に設定していましたが、複数の実行でこの値が効果的でないことがわかりました。モデルのバックエンドやトレーニング設定によるかもしれません。私たちの提案は、lora_alphaをrankと同じか、rank // 2に設定することです。
|
||
+ Rank 64以上の設定を推奨します。
|