Open-Sora： 完全开源的高效复现类Sora视频生成方案
Open-Sora项目是一项致力于高效制作高质量视频，并使所有人都能使用其模型、工具和内容的计划。 通过采用开源原则，Open-Sora 不仅实现了先进视频生成技术的低成本普及，还提供了一个精简且用户友好的方案，简化了视频制作的复杂性。 通过 Open-Sora，我们希望更多开发者一起探索内容创作领域的创新、创造和包容。 [English]
📰 资讯
- [2024.03.18] 🔥 我们发布了Open-Sora 1.0，这是一个完全开源的视频生成项目。
- Open-Sora 1.0 支持视频数据预处理、
加速训练、推理等全套流程。 - 我们提供的模型权重只需 3 天的训练就能生成 2~5 秒的 512x512 视频。
- [2024.03.04] Open-Sora：开源Sora复现方案，成本降低46%，序列扩充至近百万
🎥 最新视频
| 2s 512×512 | 2s 512×512 | 2s 512×512 |
|---|---|---|
 |
 |
 |
| A serene night scene in a forested area. [...] The video is a time-lapse, capturing the transition from day to night, with the lake and forest serving as a constant backdrop. | A soaring drone footage captures the majestic beauty of a coastal cliff, [...] The water gently laps at the rock base and the greenery that clings to the top of the cliff. | The majestic beauty of a waterfall cascading down a cliff into a serene lake. [...] The camera angle provides a bird's eye view of the waterfall. |
 |
 |
 |
| A bustling city street at night, filled with the glow of car headlights and the ambient light of streetlights. [...] | The vibrant beauty of a sunflower field. The sunflowers are arranged in neat rows, creating a sense of order and symmetry. [...] | A serene underwater scene featuring a sea turtle swimming through a coral reef. The turtle, with its greenish-brown shell [...] |
视频经过降采样处理为.gif格式，以便显示。点击查看原始视频。为便于显示，文字经过修剪，全文请参见 此处。在我们的图片库中查看更多样本。
🔆 新功能
- 📍Open-Sora-v1 已发布。这里提供了模型权重。只需 400K 视频片段和在单卡 H800 上训200天（类比Stable Video Diffusion 的 152M 样本），我们就能生成 2 秒的 512×512 视频。
- ✅ 从图像扩散模型到视频扩散模型的三阶段训练。我们提供每个阶段的权重。
- ✅ 支持训练加速，包括加速变压器、更快的 T5 和 VAE 以及序列并行。在对 64x512x512 视频进行训练时，Open-Sora 可将训练速度提高**55%**。详细信息请参见加速训练。
- ✅ 我们提供用于数据预处理的视频切割和字幕工具。有关说明请点击此处，我们的数据收集计划请点击 数据集。
- ✅ 我们发现来自VideoGPT的 VQ-VAE 质量较低，因此采用了来自Stability-AI 的更好的 VAE。我们还发现在时间维度上进行修补会降低质量。更多讨论，请参阅我们的 **报告**。
- ✅ 我们研究了不同的架构，包括 DiT、Latte 和我们提出的 STDiT。我们的STDiT在质量和速度之间实现了更好的权衡。更多讨论，请参阅我们的 **报告**。
- ✅ 支持剪辑和 T5 文本调节。
- ✅ 通过将图像视为单帧视频，我们的项目支持在图像和视频（如 ImageNet 和 UCF101）上训练 DiT。更多说明请参见 指令解析。
- ✅ 利用DiT、Latte 和 PixArt 的官方权重支持推理。
查看更多
- ✅ 重构代码库。请参阅结构，了解项目结构以及如何使用配置文件。
下一步计划【按优先级排序】
- 完成数据处理管道（包括密集光流、美学评分、文本图像相似性、重复数据删除等）。更多信息请参见数据集。**[项目进行中］**
- 训练视频-VAE。 [项目进行中]
查看更多
- 支持图像和视频调节。
- 评估流程。
- 加入更好的调度程序，如 SD3 中的整流程序。
- 支持可变长宽比、分辨率和持续时间。
- 发布后支持 SD3。
目录
Installation
# create a virtual env
conda create -n opensora python=3.10
# install torch
# the command below is for CUDA 12.1, choose install commands from
# https://pytorch.org/get-started/locally/ based on your own CUDA version
pip3 install torch torchvision
# install flash attention (optional)
pip install packaging ninja
pip install flash-attn --no-build-isolation
# install apex (optional)
pip install -v --disable-pip-version-check --no-cache-dir --no-build-isolation --config-settings "--build-option=--cpp_ext" --config-settings "--build-option=--cuda_ext" git+https://github.com/NVIDIA/apex.git
# install xformers
pip3 install -U xformers --index-url https://download.pytorch.org/whl/cu121
# install this project
git clone https://github.com/hpcaitech/Open-Sora
cd Open-Sora
pip install -v .
安装完成后，建议阅读结构，了解项目结构以及如何使用配置文件。
模型权重
| 分辨率 | 数据 | 迭代次数 | 批量大小 | GPU 天数 (H800) | 网址 |
|---|---|---|---|---|---|
| 16×256×256 | 366K | 80k | 8×64 | 117 | :link: |
| 16×256×256 | 20K HQ | 24k | 8×64 | 45 | :link: |
| 16×512×512 | 20K HQ | 20k | 2×64 | 35 | :link: |
| 64×512×512 | 50K HQ | TBD |
我们模型的权重部分由PixArt-α 初始化。参数数量为 724M。有关训练的更多信息，请参阅我们的 **报告**。有关数据集的更多信息，请参阅数据。HQ 表示高质量。 :warning: 局限性：我们的模型是在有限的预算内训练出来的。质量和文本对齐度相对较差。特别是在生成人类时，模型表现很差，无法遵循详细的指令。我们正在努力改进质量和文本对齐。
推理
要使用我们提供的权重进行推理，首先要将T5权重下载到pretrained_models/t5_ckpts/t5-v1_1-xxl 中。然后下载模型权重。运行以下命令生成样本。请参阅此处自定义配置。
# Sample 16x256x256 (5s/sample)
torchrun --standalone --nproc_per_node 1 scripts/inference.py configs/opensora/inference/16x256x256.py --ckpt-path ./path/to/your/ckpt.pth
# Sample 16x512x512 (20s/sample, 100 time steps)
torchrun --standalone --nproc_per_node 1 scripts/inference.py configs/opensora/inference/16x512x512.py --ckpt-path ./path/to/your/ckpt.pth
# Sample 64x512x512 (40s/sample, 100 time steps)
torchrun --standalone --nproc_per_node 1 scripts/inference.py configs/opensora/inference/64x512x512.py --ckpt-path ./path/to/your/ckpt.pth
# Sample 64x512x512 with sequence parallelism (30s/sample, 100 time steps)
# sequence parallelism is enabled automatically when nproc_per_node is larger than 1
torchrun --standalone --nproc_per_node 2 scripts/inference.py configs/opensora/inference/64x512x512.py --ckpt-path ./path/to/your/ckpt.pth
我们在 H800 GPU 上进行了速度测试。如需使用其他模型进行推理，请参阅此处获取更多说明。
数据处理
高质量数据是高质量模型的关键。这里有我们使用过的数据集和数据收集计划。我们提供处理视频数据的工具。目前，我们的数据处理流程包括以下步骤：
训练
要启动训练，首先要将T5权重下载到pretrained_models/t5_ckpts/t5-v1_1-xxl 中。然后运行以下命令在单个节点上启动训练。
# 1 GPU, 16x256x256
torchrun --nnodes=1 --nproc_per_node=1 scripts/train.py configs/opensora/train/16x256x512.py --data-path YOUR_CSV_PATH
# 8 GPUs, 64x512x512
torchrun --nnodes=1 --nproc_per_node=8 scripts/train.py configs/opensora/train/64x512x512.py --data-path YOUR_CSV_PATH --ckpt-path YOUR_PRETRAINED_CKPT
要在多个节点上启动训练，请根据ColossalAI 准备一个主机文件，并运行以下命令。
colossalai run --nproc_per_node 8 --hostfile hostfile scripts/train.py configs/opensora/train/64x512x512.py --data-path YOUR_CSV_PATH --ckpt-path YOUR_PRETRAINED_CKPT
有关其他型号的培训和高级使用方法，请参阅此处获取更多说明。
贡献
如果您希望为该项目做出贡献，可以参考 贡献指南.
声明
- DiT: Scalable Diffusion Models with Transformers.
- OpenDiT: An acceleration for DiT training. We adopt valuable acceleration strategies for training progress from OpenDiT.
- PixArt: An open-source DiT-based text-to-image model.
- Latte: An attempt to efficiently train DiT for video.
- StabilityAI VAE: A powerful image VAE model.
- CLIP: A powerful text-image embedding model.
- T5: A powerful text encoder.
- LLaVA: A powerful image captioning model based on Yi-34B.
我们对他们的出色工作和对开源的慷慨贡献表示感谢。
引用
@software{opensora,
author = {Zangwei Zheng and Xiangyu Peng and Yang You},
title = {Open-Sora: Democratizing Efficient Video Production for All},
month = {March},
year = {2024},
url = {https://github.com/hpcaitech/Open-Sora}
}
Zangwei Zheng and Xiangyu Peng equally contributed to this work during their internship at HPC-AI Tech.