CogVideoX diffusers 微调方案

Read this in English

日本語で読む

如果您想查看SAT版本微调，请查看这里。其数据集格式与本版本不同。

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：

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 # 仅 I2V 需要
└── images.txt # 仅 I2V 需要

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/: 存放.png参考图像文件
images.txt: 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

我们在这里提供了提取视频第一帧为图片的脚本，对于I2V任务您可以使用它来生成参考图像。

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：

帧数必须是8的倍数
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)
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

# 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

# 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
# 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 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。

3.9 KiB Raw Blame History Unescape Escape