README_zh.md

CogVideoX Factory 🧪

Read in English

在 24GB GPU 内存下对 Cog 系列视频模型进行微调以实现自定义视频生成，支持多分辨率 ⚡️📼

CogVideoX-LoRA.mp4

快速开始

克隆此仓库并确保安装了相关依赖：pip install -r requirements.txt。

接着下载数据集：

# 安装 `huggingface_hub`
huggingface-cli download   --repo-type dataset Wild-Heart/Disney-VideoGeneration-Dataset   --local-dir video-dataset-disney

然后启动 LoRA 微调进行文本到视频的生成（根据您的选择修改不同的超参数、数据集根目录以及其他配置选项）：

# 对 CogVideoX 模型进行文本到视频的 LoRA 微调
./train_text_to_video_lora.sh

# 对 CogVideoX 模型进行文本到视频的完整微调
./train_text_to_video_sft.sh

# 对 CogVideoX 模型进行图像到视频的 LoRA 微调
./train_image_to_video_lora.sh

假设您的 LoRA 已保存并推送到 HF Hub，并命名为 my-awesome-name/my-awesome-lora，现在我们可以使用微调模型进行推理：

import torch
from diffusers import CogVideoXPipeline
from diffusers import export_to_video

pipe = CogVideoXPipeline.from_pretrained(
    "THUDM/CogVideoX-5b", torch_dtype=torch.bfloat16
).to("cuda")
+ pipe.load_lora_weights("my-awesome-name/my-awesome-lora", adapter_name=["cogvideox-lora"])
+ pipe.set_adapters(["cogvideox-lora"], [1.0])

video = pipe("<my-awesome-prompt>").frames[0]
export_to_video(video, "output.mp4", fps=8)

你也可以在这里来检查你的Lora是否正常挂载。

注意： 对于图像到视频的微调，您必须从 这个分支 安装 diffusers（该分支为 CogVideoX 的图像到视频添加了 LoRA 加载支持）直到它被合并。

以下我们提供了更多探索此仓库选项的额外部分。所有这些都旨在尽可能降低内存需求，使视频模型的微调变得更易于访问。

训练

在开始训练之前，请你检查是否按照数据集规范准备好了数据集。 我们提供了适用于文本到视频 (text-to-video) 和图像到视频 (image-to-video) 生成的训练脚本，兼容 CogVideoX 模型家族。训练可以通过 train*.sh 脚本启动，具体取决于你想要训练的任务。让我们以文本到视频的 LoRA 微调为例。

• 根据你的需求配置环境变量：

  export TORCH_LOGS="+dynamo,recompiles,graph_breaks"
  export TORCHDYNAMO_VERBOSE=1
  export WANDB_MODE="offline"
  export NCCL_P2P_DISABLE=1
  export TORCH_NCCL_ENABLE_MONITORING=0
  

• 配置用于训练的 GPU：GPU_IDS="0,1"

• 选择训练的超参数。让我们以学习率和优化器类型的超参数遍历为例：

  LEARNING_RATES=("1e-4" "1e-3")
  LR_SCHEDULES=("cosine_with_restarts")
  OPTIMIZERS=("adamw" "adam")
  MAX_TRAIN_STEPS=("3000")
  

• 选择用于训练的 Accelerate 配置文件：ACCELERATE_CONFIG_FILE="accelerate_configs/uncompiled_1.yaml" 。我们在 accelerate_configs/ 目录中提供了一些默认配置 - 单 GPU 编译/未编译、2x GPU DDP、DeepSpeed 等。你也可以使用 accelerate config --config_file my_config.yaml 自定义配置文件。

• 指定字幕和视频的绝对路径以及列/文件。

  DATA_ROOT="/path/to/my/datasets/video-dataset-disney"
  CAPTION_COLUMN="prompt.txt"
  VIDEO_COLUMN="videos.txt"
  

• 运行实验，遍历不同的超参数：

  for learning_rate in "${LEARNING_RATES[@]}"; do
  for lr_schedule in "${LR_SCHEDULES[@]}"; do
    for optimizer in "${OPTIMIZERS[@]}"; do
      for steps in "${MAX_TRAIN_STEPS[@]}"; do
        output_dir="/path/to/my/models/cogvideox-lora__optimizer_${optimizer}__steps_${steps}__lr-schedule_${lr_schedule}__learning-rate_${learning_rate}/"
  
        cmd="accelerate launch --config_file $ACCELERATE_CONFIG_FILE --gpu_ids $GPU_IDS training/cogvideox_text_to_video_lora.py \
          --pretrained_model_name_or_path THUDM/CogVideoX-5b \
          --data_root $DATA_ROOT \
          --caption_column $CAPTION_COLUMN \
          --video_column $VIDEO_COLUMN \
          --id_token BW_STYLE \
          --height_buckets 480 \
          --width_buckets 720 \
          --frame_buckets 49 \
          --dataloader_num_workers 8 \
          --pin_memory \
          --validation_prompt \"BW_STYLE A black and white animated scene unfolds with an anthropomorphic goat surrounded by musical notes and symbols, suggesting a playful environment. Mickey Mouse appears, leaning forward in curiosity as the goat remains still. The goat then engages with Mickey, who bends down to converse or react. The dynamics shift as Mickey grabs the goat, potentially in surprise or playfulness, amidst a minimalistic background. The scene captures the evolving relationship between the two characters in a whimsical, animated setting, emphasizing their interactions and emotions:::BW_STYLE A panda, dressed in a small, red jacket and a tiny hat, sits on a wooden stool in a serene bamboo forest. The panda's fluffy paws strum a miniature acoustic guitar, producing soft, melodic tunes. Nearby, a few other pandas gather, watching curiously and some clapping in rhythm. Sunlight filters through the tall bamboo, casting a gentle glow on the scene. The panda's face is expressive, showing concentration and joy as it plays. The background includes a small, flowing stream and vibrant green foliage, enhancing the peaceful and magical atmosphere of this unique musical performance\" \
          --validation_prompt_separator ::: \
          --num_validation_videos 1 \
          --validation_epochs 10 \
          --seed 42 \
          --rank 128 \
          --lora_alpha 128 \
          --mixed_precision bf16 \
          --output_dir $output_dir \
          --max_num_frames 49 \
          --train_batch_size 1 \
          --max_train_steps $steps \
          --checkpointing_steps 1000 \
          --gradient_accumulation_steps 1 \
          --gradient_checkpointing \
          --learning_rate $learning_rate \
          --lr_scheduler $lr_schedule \
          --lr_warmup_steps 400 \
          --lr_num_cycles 1 \
          --enable_slicing \
          --enable_tiling \
          --optimizer $optimizer \
          --beta1 0.9 \
          --beta2 0.95 \
          --weight_decay 0.001 \
          --max_grad_norm 1.0 \
          --allow_tf32 \
          --report_to wandb \
          --nccl_timeout 1800"
        
        echo "Running command: $cmd"
        eval $cmd
        echo -ne "-------------------- Finished executing script --------------------\n\n"
      done
    done
  done
  done
  

要了解不同参数的含义，你可以查看 args 文件，或者使用 --help 运行训练脚本。

注意：训练脚本尚未在 MPS 上测试，因此性能和内存要求可能与下面的 CUDA 报告差异很大。

内存需求

CogVideoX LoRA 微调
THUDM/CogVideoX-2b	THUDM/CogVideoX-5b
CogVideoX 全量微调
THUDM/CogVideoX-2b	THUDM/CogVideoX-5b

支持和验证的训练内存优化包括：

• CPUOffloadOptimizer 来自 torchao 。你可以在这里 阅读它的能力和局限性。简而言之，它允许你将可训练参数和梯度存储在 CPU 中，从而在 CPU 上进行优化步骤。这需要快速的 CPU 优化器，如 torch.optim.AdamW(fused=True)，或者在优化步骤中应用 torch.compile 。此外，建议不要在训练时对模型应用 torch.compile。梯度裁剪和累积目前还不支持。
• 来自 bitsandbytes 的低位优化器。TODO：测试并使 torchao 能正常工作。
• DeepSpeed Zero2：由于我们依赖 accelerate ，请按照此指南 配置 accelerate 以启用 DeepSpeed Zero2 优化训练。

[!重要提示] 内存需求是运行 training/prepare_dataset.py

后报告的，该脚本将视频和字幕转换为潜在向量和嵌入。在训练期间，我们直接加载这些潜在向量和嵌入，不需要VAE或T5文本编码器。然而，如果执行验证/测试，则必须加载这些模块，并且会增加所需内存的数量。不进行验证/测试可以节省大量内存，这些内存可以用于较小显存的GPU上专注于训练。

如果选择运行验证/测试，可以通过指定 --enable_model_cpu_offload 来为较低显存的GPU节省一些内存。

LoRA微调

[!重要提示] 图像到视频的LoRA微调的内存需求与文本到视频上的 THUDM/CogVideoX-5b 类似，因此没有明确报告。

此外，为了准备I2V微调的测试图像，可以通过修改脚本实时生成它们，或使用以下命令从训练数据中提取一些帧： ffmpeg -i input.mp4 -frames:v 1 frame.png， 或提供一个有效且可访问的图像URL。

AdamW

注意： 尝试在没有梯度检查点的情况下运行 CogVideoX-5b 即使在 A100（80 GB）上也会导致 OOM（内存不足）错误，因此内存需求尚未列出。

当 train_batch_size = 1 时:

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	False	12.945	43.764	46.918	24.234
THUDM/CogVideoX-2b	16	True	12.945	12.945	21.121	24.234
THUDM/CogVideoX-2b	64	False	13.035	44.314	47.469	24.469
THUDM/CogVideoX-2b	64	True	13.036	13.035	21.564	24.500
THUDM/CogVideoX-2b	256	False	13.095	45.826	48.990	25.543
THUDM/CogVideoX-2b	256	True	13.094	13.095	22.344	25.537
THUDM/CogVideoX-5b	16	True	19.742	19.742	28.746	38.123
THUDM/CogVideoX-5b	64	True	20.006	20.818	30.338	38.738
THUDM/CogVideoX-5b	256	True	20.771	22.119	31.939	41.537

当 train_batch_size = 4 时:

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	True	12.945	21.803	21.814	24.322
THUDM/CogVideoX-2b	64	True	13.035	22.254	22.254	24.572
THUDM/CogVideoX-2b	256	True	13.094	22.020	22.033	25.574
THUDM/CogVideoX-5b	16	True	19.742	46.492	46.492	38.197
THUDM/CogVideoX-5b	64	True	20.006	47.805	47.805	39.365
THUDM/CogVideoX-5b	256	True	20.771	47.268	47.332	41.008

AdamW (8-bit bitsandbytes)

注意： 在没有启用梯度检查点的情况下，尝试运行 CogVideoX-5b 模型即使在 A100（80 GB）上也会导致 OOM（内存不足），因此未列出内存测量数据。

当 train_batch_size = 1 时：

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	False	12.945	43.732	46.887	24.195
THUDM/CogVideoX-2b	16	True	12.945	12.945	21.430	24.195
THUDM/CogVideoX-2b	64	False	13.035	44.004	47.158	24.369
THUDM/CogVideoX-2b	64	True	13.035	13.035	21.297	24.357
THUDM/CogVideoX-2b	256	False	13.035	45.291	48.455	24.836
THUDM/CogVideoX-2b	256	True	13.035	13.035	21.625	24.869
THUDM/CogVideoX-5b	16	True	19.742	19.742	28.602	38.049
THUDM/CogVideoX-5b	64	True	20.006	20.818	29.359	38.520
THUDM/CogVideoX-5b	256	True	20.771	21.352	30.727	39.596

当 train_batch_size = 4 时:

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	True	12.945	21.734	21.775	24.281
THUDM/CogVideoX-2b	64	True	13.036	21.941	21.941	24.445
THUDM/CogVideoX-2b	256	True	13.094	22.020	22.266	24.943
THUDM/CogVideoX-5b	16	True	19.742	46.320	46.326	38.104
THUDM/CogVideoX-5b	64	True	20.006	46.820	46.820	38.588
THUDM/CogVideoX-5b	256	True	20.771	47.920	47.980	40.002

AdamW + CPUOffloadOptimizer (with gradient offloading)

注意： 在没有启用梯度检查点的情况下，尝试运行 CogVideoX-5b 模型即使在 A100（80 GB）上也会导致 OOM（内存不足），因此未列出内存测量数据。

当 train_batch_size = 1 时：

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	False	12.945	43.705	46.859	24.180
THUDM/CogVideoX-2b	16	True	12.945	12.945	21.395	24.180
THUDM/CogVideoX-2b	64	False	13.035	43.916	47.070	24.234
THUDM/CogVideoX-2b	64	True	13.035	13.035	20.887	24.266
THUDM/CogVideoX-2b	256	False	13.095	44.947	48.111	24.607
THUDM/CogVideoX-2b	256	True	13.095	13.095	21.391	24.635
THUDM/CogVideoX-5b	16	True	19.742	19.742	28.533	38.002
THUDM/CogVideoX-5b	64	True	20.006	20.006	29.107	38.785
THUDM/CogVideoX-5b	256	True	20.771	20.771	30.078	39.559

当 train_batch_size = 4 时:

model	lora rank	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	16	True	12.945	21.709	21.762	24.254
THUDM/CogVideoX-2b	64	True	13.035	21.844	21.855	24.338
THUDM/CogVideoX-2b	256	True	13.094	22.020	22.031	24.709
THUDM/CogVideoX-5b	16	True	19.742	46.262	46.297	38.400
THUDM/CogVideoX-5b	64	True	20.006	46.561	46.574	38.840
THUDM/CogVideoX-5b	256	True	20.771	47.268	47.332	39.623

DeepSpeed (AdamW + CPU/Parameter offloading)

注意： 结果是在启用梯度检查点的情况下，使用 2x A100 运行时记录的。

当 train_batch_size = 1 时：

model	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	13.141	13.141	21.070	24.602
THUDM/CogVideoX-5b	20.170	20.170	28.662	38.957

当 train_batch_size = 4 时:

model	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	13.141	19.854	20.836	24.709
THUDM/CogVideoX-5b	20.170	40.635	40.699	39.027

Full finetuning

[!注意]
图像到视频的完整微调内存需求与 THUDM/CogVideoX-5b 的文本到视频微调相似，因此没有单独列出。

此外，要准备用于 I2V 微调的测试图像，你可以通过修改脚本实时生成图像，或者从你的训练数据中提取一些帧：
ffmpeg -i input.mp4 -frames:v 1 frame.png，
或提供一个有效且可访问的图像 URL。

[!注意]
在没有使用梯度检查点的情况下运行完整微调，即使是在 A100（80GB）上，也会出现 OOM（内存不足）错误，因此未列出内存需求。

AdamW

当 train_batch_size = 1 时：

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	33.934	43.848	37.520
THUDM/CogVideoX-5b	True	30.061	OOM	OOM	OOM

当 train_batch_size = 4 时:

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	38.281	48.341	37.544
THUDM/CogVideoX-5b	True	30.061	OOM	OOM	OOM

AdamW (8-bit 量化)

当 train_batch_size = 1 时：

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	16.447	27.555	27.156
THUDM/CogVideoX-5b	True	30.061	52.826	58.570	49.541

当 train_batch_size = 4 时:

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	27.930	27.990	27.326
THUDM/CogVideoX-5b	True	16.396	66.648	66.705	48.828

AdamW + CPUOffloadOptimizer（带有梯度卸载）

当 train_batch_size = 1 时：

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	16.396	26.100	23.832
THUDM/CogVideoX-5b	True	30.061	39.359	48.307	37.947

当 train_batch_size = 4 时:

model	gradient_checkpointing	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	True	16.396	27.916	27.975	23.936
THUDM/CogVideoX-5b	True	30.061	66.607	66.668	38.061

DeepSpeed（AdamW + CPU/参数卸载）

注意: 结果是在启用 gradient_checkpointing（梯度检查点）功能，并在 2 台 A100 显卡上运行时报告的。

当 train_batch_size = 1 时：

model	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	13.111	13.111	20.328	23.867
THUDM/CogVideoX-5b	19.762	19.998	27.697	38.018

当 train_batch_size = 4 时:

model	memory_before_training	memory_before_validation	memory_after_validation	memory_after_testing
THUDM/CogVideoX-2b	13.111	21.188	21.254	23.869
THUDM/CogVideoX-5b	19.762	43.465	43.531	38.082

[!注意]

• memory_after_validation（验证后内存） 表示训练所需的峰值内存。这是因为除了存储训练过程中需要的激活、参数和梯度之外，还需要加载 VAE 和文本编码器到内存中，并且执行推理操作也会消耗一定内存。为了减少训练所需的总内存，您可以选择在训练脚本中不执行验证/测试。

• 如果选择不进行验证/测试，memory_before_validation（验证前内存） 才是训练所需内存的真实指示器。

Slaying OOMs with PyTorch

待办事项

• 使脚本兼容 DDP
• 使脚本兼容 FSDP
• 使脚本兼容 DeepSpeed
• 基于 vLLM 的字幕脚本
• 在 prepare_dataset.py 中支持多分辨率/帧数
• 分析性能瓶颈并尽可能减少同步操作
• 支持 QLoRA（优先），以及其他高使用率的 LoRA 方法
• 使用 bitsandbytes 的节省内存优化器测试脚本
• 使用 CPUOffloadOptimizer 等测试脚本
• 使用 torchao 量化和低位内存优化器测试脚本（目前在 AdamW（8/4-bit torchao）上报错）
• 使用 AdamW（8-bit bitsandbytes）+ CPUOffloadOptimizer（带有梯度卸载）的测试脚本（目前报错）
• Sage Attention （与作者合作支持反向传播，并针对 A100 进行优化）

[!重要] 由于我们的目标是使脚本尽可能节省内存，因此我们不保证支持多 GPU 训练。