当前位置: 首页 > news >正文

如何快速上手AnyFlow-FAR-Wan2.1-1.3B-Diffusers:5分钟搭建文本到视频生成环境

如何快速上手AnyFlow-FAR-Wan2.1-1.3B-Diffusers:5分钟搭建文本到视频生成环境

【免费下载链接】AnyFlow-FAR-Wan2.1-1.3B-Diffusers项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers

AnyFlow-FAR-Wan2.1-1.3B-Diffusers是一款基于Wan2.1-T2V-1.3B-Diffusers文本到视频骨干模型开发的1.3B因果视频扩散模型,支持文本到视频(T2V)、图像到视频(I2V)和视频到视频(V2V)多种生成任务,让用户能够轻松将创意转化为生动视频内容。

🚀 为什么选择AnyFlow-FAR-Wan2.1-1.3B-Diffusers?

这款模型具有以下核心优势:

  • ⚡ 任意步数生成:不同于传统蒸馏模型固定步数预算,单个模型可适应任意推理预算,实现高质量少步生成,且随着采样步数增加提供稳定改进
  • 🔀 多架构支持:支持因果和双向视频扩散模型的任意步蒸馏
  • 🎬 多任务兼容:一个因果视频扩散模型即可支持文本到视频、图像到视频和视频到视频生成
  • 📈 可扩展性能:已在1.3B至14B参数范围内验证了性能表现

⚙️ 环境准备步骤

1️⃣ 创建Conda环境

首先需要创建并激活专用的Conda环境:

conda create -n far python=3.10 conda activate far

2️⃣ 安装PyTorch和依赖项

安装PyTorch及相关依赖:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128 pip install -r requirements.txt --no-build-isolation

📥 模型下载方法

克隆仓库

通过以下命令克隆项目仓库:

git clone https://gitcode.com/hf_mirrors/nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers

使用Hugging Face Hub下载

安装Hugging Face Hub工具并下载模型:

pip install "huggingface_hub[cli]" hf download nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers --repo-type model --local-dir experiments/pretrained_models/AnyFlow-FAR-Wan2.1-1.3B-Diffusers

🔍 项目核心文件结构

项目主要包含以下关键目录和文件:

  • scheduler/:包含调度器配置文件scheduler_config.json
  • text_encoder/:文本编码器配置和模型文件,如config.json和模型权重文件
  • tokenizer/:分词器相关文件,包括special_tokens_map.json、spiece.model等
  • transformer/:转换器配置和模型文件config.json、diffusion_pytorch_model.safetensors
  • vae/:VAE配置和模型文件config.json、diffusion_pytorch_model.safetensors
  • LICENSE.md:模型许可协议文件
  • README.md:项目说明文档
  • model_index.json:模型索引配置文件

🎮 快速开始生成视频

文本到视频生成

使用以下Python代码实现文本到视频生成:

import torch from diffusers.utils import export_to_video from far.pipelines.pipeline_far_wan_anyflow import FARWanAnyFlowPipeline model_id = "nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers" pipeline = FARWanAnyFlowPipeline.from_pretrained(model_path).to('cuda', dtype=torch.bfloat16) prompt = "CG game concept digital art, a majestic elephant with a vibrant tusk and sleek fur running swiftly towards a herd of its kind." video = pipeline( prompt=prompt, height=480, width=832, num_frames=81, num_inference_steps=4, generator=torch.Generator('cuda').manual_seed(0) ).frames[0] export_to_video(output, "output.mp4", fps=16)

图像到视频生成

基于现有图像生成视频:

import torch from diffusers.utils import export_to_video from PIL import Image from torchvision import transforms from far.pipelines.pipeline_far_wan_anyflow import FARWanAnyFlowPipeline model_id = "nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers" pipeline = FARWanAnyFlowPipeline.from_pretrained(model_path).to('cuda', dtype=torch.bfloat16) # 加载图像 image_path = 'assets/example_image.jpg' prompt = 'A towering, battle-scarred humanoid robot walking through the skeletal remains of a city ruin.' image = Image.open(image_path).convert('RGB') image = transforms.ToTensor()(transforms.Resize([480, 832])(image)).unsqueeze(0).unsqueeze(0) video = pipeline( prompt=prompt, context_sequence={'raw': image}, height=480, width=832, num_frames=81, num_inference_steps=4, generator=torch.Generator('cuda').manual_seed(0) ).frames[0] export_to_video(output, "output.mp4", fps=16)

视频到视频生成

基于现有视频生成新视频:

import torch from diffusers.utils import export_to_video import decord from torchvision import transforms from far.pipelines.pipeline_far_wan_anyflow import FARWanAnyFlowPipeline decord.bridge.set_bridge('torch') model_id = "nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers" pipeline = FARWanAnyFlowPipeline.from_pretrained(model_path).to('cuda', dtype=torch.bfloat16) # 加载视频 video_path = 'assets/example_video.mp4' prompt = "A focused trail runner's powerful strides through a dense, sun-dappled forest." video_reader = decord.VideoReader(video_path) frame_idxs = select_frame_indices(len(video_reader), video_reader.get_avg_fps(), target_fps=16)[:num_cond_frames] frames = video_reader.get_batch(frame_idxs) frames = (frames / 255.0).float().permute(0, 3, 1, 2).contiguous() frames = transforms.Resize([480, 832])(frames).unsqueeze(0) video = pipeline( prompt=prompt, context_sequence={'raw': frames}, height=480, width=832, num_frames=81, num_inference_steps=4, generator=torch.Generator('cuda').manual_seed(0) ).frames[0] export_to_video(output, "output.mp4", fps=16)

📜 许可协议说明

该模型根据NVIDIA单向非商业许可(NSCLv1)发布,主要限制包括:

  • 模型仅供非商业使用
  • NVIDIA不对使用模型或衍生模型生成的任何输出主张所有权

完整许可条款请参见LICENSE.md文件。

🙏 致谢

本代码库基于Diffusers构建,同时参考了FAR、Self-Forcing和TiM的实现,感谢这些项目的作者开源其工作。

【免费下载链接】AnyFlow-FAR-Wan2.1-1.3B-Diffusers项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/AnyFlow-FAR-Wan2.1-1.3B-Diffusers

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

http://www.cnnetsun.cn/news/3345658.html

相关文章:

  • RoCEv2 网络的完整协议栈简介
  • Qwen2.5-7B-Instruct_rai_1.7.1_npu_4K:AMD Ryzen AI上的高效大语言模型部署指南
  • 如何用Gotalk实现分布式系统负载均衡:心跳机制详解
  • NVIDIA-Nemotron-3-Nano-4B-OptiQ-4bit:Apple Silicon专属的革命性混合架构大模型来了!
  • 从投诉率骤升23%到NPS提升18分,我们如何用反馈聚类+情感时序建模重构产品决策链,
  • 别再写for循环了:2024最前沿的向量化AI分析法——用PyTorch+Polars实现毫秒级特征生成(含GPU加速实测对比数据)
  • 解密Enigma虚拟打包文件:evbunpack实战指南
  • 【技术实践】上海交通大学学位论文本地化保存与自动化抓取方案解析
  • AI绘图实战:蜡笔风个人主页海报提示词拆解
  • shell,Linux用户和工作组,以及Linux文件系统·权限
  • 中小企业出海行动推进:全球市场研究网络赋能精准洞察与高效供应商对接
  • DAKeyboardControl:iOS键盘交互的革命性解决方案 - 一行代码实现iMessages式滑动关闭
  • TeleStyleV2-Qwen-Image-Edit-2511-bf16:革命性图像风格迁移模型,4步实现专业级内容保留编辑 [特殊字符]
  • Ornith-1.0-9B-6bit常见问题解答:解决10个最常遇到的运行问题
  • 高德地图 Web 服务 API V3 公交线路爬取:Python 脚本 5 分钟获取 1000 条线路坐标
  • Loop for Mac:免费开源的macOS窗口管理终极解决方案
  • Supertonic 3 MLX深度解析:99M参数如何实现31种语言的高质量语音合成
  • Unity ECS EntityQuery性能优化:从缓存友好到并行计算的10倍提升实战
  • Wand-Enhancer:如何免费解锁Wand专业版功能与远程控制
  • 文献解读 | IF16.6! 德国萨尔大学临床生信团队:PBMCpedia把24个公开数据集“焊“成了一个,429万细胞全重跑
  • G-Helper完整指南:如何用轻量工具掌控华硕笔记本性能
  • Unity Steamworks成就回调丢失:RequestCurrentStats无响应的排查与修复
  • 终极免费指南:如何用Wand-Enhancer解锁完整游戏修改器功能
  • 如何使用balance库?3分钟快速入门指南
  • ModularizationExample:Android模块化架构的终极指南 - 从零开始构建分层应用
  • GetQzonehistory:一键找回消失的QQ空间记忆宝库
  • 创客匠人 AI 智能客服:搭建小红书私信全链路自动化承接体系
  • 如何用Windows式窗口切换彻底改变你的Mac工作效率
  • Bing地图集成实战:Leaflet-plugins让卫星imagery轻松实现
  • AMD Ryzen AI开发者必看:Llama-3.2-3B模型NPU部署最佳实践