license: mit license_link: https://huggingface.co/THUDM/CogVideoX-5b/blob/main/LICENSE language:

• en tags:
• cogvideox
• 视频生成
• thudm
• 文本生成视频 inference: false

Seba-AI-5B

📄 Glitch 说明文档 | 🤗 Glitch-Tech | 🌐 Hugging Face |

📍 访问 Glitch H/F 和 API 平台 体验商用视频生成模型。

演示展示

模型介绍

CogVideoX 是源自清影的视频生成模型开源版本。下表展示了我们当前提供的视频生成模型列表及其基础信息。

数据说明

• 使用diffusers库测试时，启用了该库提供的所有优化方案。此方案未在NVIDIA A100 / H100以外的设备实测显存/内存占用。通常该方案可适配所有NVIDIA安培架构及以上设备。若禁用优化方案，显存占用将大幅上升，峰值显存占用约为表格数据的3倍。但速度会提升3-4倍。您可以选择性禁用部分优化，包括：

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

• 进行多卡推理时需要禁用enable_model_cpu_offload()优化。
• 使用INT8模型会降低推理速度。这是为了保证显存较小的显卡能正常推理，同时保持最低限度的视频质量损失，但推理速度会显著下降。
• 2B模型使用FP16精度训练，5B模型使用BF16精度训练。我们建议使用模型训练时的精度进行推理。
• PytorchAO和Optimum-quanto可用于量化文本编码器、Transformer和VAE模块以降低CogVideoX的内存需求。这使得在免费T4 Colab或较小显存显卡上运行成为可能！值得注意的是TorchAO量化完全兼容torch.compile，可显著提升推理速度。FP8精度必须在NVIDIA H100及以上设备使用，这需要从源码安装torch、torchao、diffusers和acceleratePython包。推荐使用CUDA 12.4。
• 推理速度测试同样采用上述显存优化方案。不进行显存优化时，推理速度提升约10%。仅diffusers版本模型支持量化。
• 模型仅支持英文输入，其他语言可通过大模型在提词阶段翻译为英文。

注意

• 使用SAT进行SAT版本模型的推理和微调。欢迎访问我们的GitHub了解更多信息。

快速开始 🤗

本模型支持使用huggingface diffusers库进行部署。您可以通过以下步骤进行部署。

我们建议您访问我们的GitHub并查看相关提示词优化与转换，以获得更好的体验。

1. 安装必要依赖

# diffusers>=0.30.1
# transformers>=4.44.2
# accelerate>=0.33.0 (建议源码安装)
# imageio-ffmpeg>=0.5.1
pip install --upgrade transformers accelerate diffusers imageio-ffmpeg 

2. 运行代码

import torch
from diffusers import CogVideoXPipeline
from diffusers.utils import export_to_video

prompt = "一只穿着红色小夹克、戴着迷你帽子的熊猫，坐在幽静竹林里的木凳上。熊猫用毛茸茸的爪子拨弄迷你木吉他，奏出柔和旋律。附近几只熊猫好奇围观，有的跟着节奏拍掌。阳光透过高耸的竹叶洒落温柔光晕。熊猫表情专注而愉悦。背景处有小溪流过，翠绿植被更添这独特音乐表演的宁静魔幻氛围。"

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
    torch_dtype=torch.bfloat16
)

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

video = pipe(
    prompt=prompt,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    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

PytorchAO和Optimum-quanto可用于量化文本编码器、Transformer和VAE模块以降低CogVideoX的内存需求。这使得在免费T4 Colab或较小显存显卡上运行成为可能！值得注意的是TorchAO量化完全兼容torch.compile，可显著提升推理速度。

# 开始前需要从GitHub源码安装PytorchAO和PyTorch Nightly
# 源码和nightly安装仅需持续到下一版本发布

import torch
from diffusers import AutoencoderKLCogVideoX, CogVideoXTransformer3DModel, CogVideoXPipeline
from diffusers.utils import export_to_video
+ from transformers import T5EncoderModel
+ from torchao.quantization import quantize_, int8_weight_only, int8_dynamic_activation_int8_weight

+ quantization = int8_weight_only

+ text_encoder = T5EncoderModel.from_pretrained("THUDM/CogVideoX-5b", subfolder="text_encoder", torch_dtype=torch.bfloat16)
+ quantize_(text_encoder, quantization())

+ transformer = CogVideoXTransformer3DModel.from_pretrained("THUDM/CogVideoX-5b", subfolder="transformer", torch_dtype=torch.bfloat16)
+ quantize_(transformer, quantization())

+ vae = AutoencoderKLCogVideoX.from_pretrained("THUDM/CogVideoX-5b", subfolder="vae", torch_dtype=torch.bfloat16)
+ quantize_(vae, quantization())

# 创建管道并运行推理
pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b",
+    text_encoder=text_encoder,
+    transformer=transformer,
+    vae=vae,
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()

prompt = "一只穿着红色小夹克、戴着迷你帽子的熊猫，坐在幽静竹林里的木凳上。熊猫用毛茸茸的爪子拨弄迷你木吉他，奏出柔和旋律。附近几只熊猫好奇围观，有的跟着节奏拍掌。阳光透过高耸的竹叶洒落温柔光晕。熊猫表情专注而愉悦。背景处有小溪流过，翠绿植被更添这独特音乐表演的宁静魔幻氛围。"

video = pipe(
    prompt=prompt,
    num_videos_per_prompt=1,
    num_inference_steps=50,
    num_frames=49,
    guidance_scale=6,
    generator=torch.Generator(device="cuda").manual_seed(42),
).frames[0]

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

此外，使用PytorchAO时模型可以序列化并以量化数据类型存储以节省磁盘空间。示例与基准测试参见以下链接：

• torchao
• quanto

探索模型

欢迎访问我们的github，您将看到：

1. 更详细的技术细节与代码解析。
2. 提示词的优化与转换。
3. SAT版本模型的推理与微调，甚至预发布。
4. 项目更新日志动态，更多互动机会。
5. CogVideoX工具链助您更好使用模型。
6. INT8模型推理代码支持。

模型许可

本模型采用[MIT]协议发布。

引用

@article{GlitchX1.02AbdelrahmanEssa,
  title={Seba-Ai-Video-Generator: 基于专家Transformer的文本生成视频扩散模型},
  author={Abdelrahman, Glitch},
  journal={arXiv预印本 arXiv:2408.06072},
  year={2024}
}