mirror of
https://github.com/THUDM/CogVideo.git
synced 2025-12-08 13:36:57 +08:00
249fadfb76
Add a table in README files showing hardware requirements for training different CogVideoX models, including: - Memory requirements for each model variant - Supported training types (LoRA) - Training resolutions - Mixed precision settings Updated in all language versions (EN/ZH/JA).
109 lines
5.1 KiB
Markdown
109 lines
5.1 KiB
Markdown
# CogVideoX diffusers 微调方案
|
||
|
||
[Read this in English](./README.md)
|
||
|
||
[日本語で読む](./README_ja.md)
|
||
|
||
如果您想查看SAT版本微调，请查看[这里](../sat/README_zh.md)。其数据集格式与本版本不同。
|
||
|
||
## 硬件要求
|
||
|
||
| 模型 | 训练类型 | 混合训练精度 | 训练分辨率(帧数x高x宽) | 硬件要求 |
|
||
|----------------------|----------------|------------|----------------------|-----------------------|
|
||
| cogvideox-t2v-2b | lora (rank128) | fp16 | 49x480x720 | 16G显存 (NVIDIA 4080) |
|
||
| cogvideox-t2v-5b | lora (rank128) | bf16 | 49x480x720 | 24G显存 (NVIDIA 4090) |
|
||
| cogvideox-i2v-5b | lora (rank128) | bf16 | 49x480x720 | 24G显存 (NVIDIA 4090) |
|
||
| cogvideox1.5-t2v-5b | lora (rank128) | bf16 | 81x768x1360 | 35G显存 (NVIDIA A100) |
|
||
| cogvideox1.5-i2v-5b | lora (rank128) | bf16 | 81x768x1360 | 35G显存 (NVIDIA A100) |
|
||
<!-- | cogvideox-t2v-5b | sft | bf16 | 49x480x720 | |
|
||
| cogvideox-i2v-5b | sft | bf16 | 49x480x720 | |
|
||
| cogvideox1.5-t2v-5b | sft | bf16 | 81x768x1360 | |
|
||
| cogvideox1.5-i2v-5b | sft | bf16 | 81x768x1360 | | -->
|
||
|
||
## 安装依赖
|
||
|
||
由于相关代码还没有被合并到diffusers发行版，你需要基于diffusers分支进行微调。请按照以下步骤安装依赖：
|
||
|
||
```shell
|
||
git clone https://github.com/huggingface/diffusers.git
|
||
cd diffusers # Now in Main branch
|
||
pip install -e .
|
||
```
|
||
|
||
## 准备数据集
|
||
|
||
首先，你需要准备数据集。根据你的任务类型（T2V 或 I2V），数据集格式略有不同：
|
||
|
||
```
|
||
.
|
||
├── prompts.txt
|
||
├── videos
|
||
├── videos.txt
|
||
├── images # (可选) 对于I2V，若不提供，则从视频中提取第一帧作为参考图像
|
||
└── images.txt # (可选) 对于I2V，若不提供，则从视频中提取第一帧作为参考图像
|
||
```
|
||
|
||
其中：
|
||
- `prompts.txt`: 存放提示词
|
||
- `videos/`: 存放.mp4视频文件
|
||
- `videos.txt`: 存放 videos 目录中的视频文件列表
|
||
- `images/`: (可选) 存放.png参考图像文件
|
||
- `images.txt`: (可选) 存放参考图像文件列表
|
||
|
||
你可以从这里下载示例数据集(T2V) [迪士尼汽船威利号](https://huggingface.co/datasets/Wild-Heart/Disney-VideoGeneration-Dataset)
|
||
|
||
如果需要在训练过程中进行validation，则需要额外提供验证数据集，其中数据格式与训练集相同。
|
||
|
||
## 运行脚本，开始微调
|
||
|
||
在开始训练之前，请注意以下分辨率设置要求：
|
||
|
||
1. 帧数必须是8的倍数 **+1** (即8N+1), 例如49, 81 ...
|
||
2. 视频分辨率建议使用模型的默认大小：
|
||
- CogVideoX: 480x720 (高x宽)
|
||
- CogVideoX1.5: 768x1360 (高x宽)
|
||
3. 对于不满足训练分辨率的样本（视频或图片）在代码中会直接进行resize。这可能会导致样本的宽高比发生形变从而影响训练效果。建议用户提前对样本在分辨率上进行处理（例如使用crop + resize来维持宽高比）再进行训练。
|
||
|
||
> **重要提示**：为了提高训练效率，我们会在训练前自动对video进行encode并将结果缓存在磁盘。如果在训练后修改了数据，请删除video目录下的latent目录，以确保使用最新的数据。
|
||
|
||
### 文本生成视频 (T2V) 微调
|
||
|
||
```bash
|
||
# 修改 accelerate_train_t2v.sh 中的配置参数
|
||
# 主要需要修改以下参数:
|
||
# --output_dir: 输出目录
|
||
# --data_root: 数据集根目录
|
||
# --caption_column: 提示词文件路径
|
||
# --video_column: 视频文件列表路径
|
||
# --train_resolution: 训练分辨率 (帧数x高x宽)
|
||
# 其他重要参数请参考启动脚本
|
||
|
||
bash accelerate_train_t2v.sh
|
||
```
|
||
|
||
### 图像生成视频 (I2V) 微调
|
||
|
||
```bash
|
||
# 修改 accelerate_train_i2v.sh 中的配置参数
|
||
# 除了需要修改与T2V相同的参数外，还需要额外设置:
|
||
# --image_column: 参考图像文件列表路径(如果没有自己的图片，默认使用视频第一帧，移除这个参数)
|
||
# 其他重要参数请参考启动脚本
|
||
|
||
bash accelerate_train_i2v.sh
|
||
```
|
||
|
||
## 载入微调的模型
|
||
|
||
+ 请关注[cli_demo.py](../inference/cli_demo.py) 以了解如何加载微调的模型。
|
||
|
||
## 最佳实践
|
||
|
||
+ 包含70个分辨率为 `200 x 480 x 720`（帧数 x 高 x
|
||
宽）的训练视频。通过数据预处理中的帧跳过，我们创建了两个较小的49帧和16帧数据集，以加快实验速度，因为CogVideoX团队建议的最大帧数限制是49帧。我们将70个视频分成三组，分别为10、25和50个视频。这些视频的概念性质相似。
|
||
+ 25个及以上的视频在训练新概念和风格时效果最佳。
|
||
+ 现使用可以通过 `--id_token` 指定的标识符token进行训练效果更好。这类似于 Dreambooth 训练，但不使用这种token的常规微调也可以工作。
|
||
+ 原始仓库使用 `lora_alpha` 设置为 1。我们发现这个值在多次运行中效果不佳，可能是因为模型后端和训练设置的不同。我们的建议是将
|
||
lora_alpha 设置为与 rank 相同或 rank // 2。
|
||
+ 建议使用 rank 为 64 及以上的设置。
|
||
|