/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
16 дек 2024

Ruyi-Mini-7B

Преобразование изображенийИзображение, текст → изображение3 профессии

Ruyi-Mini-7B создаёт короткое видео продолжительностью до пяти секунд на основе изображения, с возможностью управлять движением и камерой.

143скачиваний за 30 дней610лайковвеса обновлены25 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ruyi-Mini-7B — модель генерации видео из изображения, разработанная CreateAI и выпущенная под лицензией Apache 2.0. По входному изображению она создаёт последующие видеокадры; поддерживает разрешения от 360p до 720p, разные соотношения сторон и ролики длительностью до 5 секунд, а также управление движением и камерой.

Модель содержит около 7,1 млрд параметров и использует архитектуру, модифицированную на основе EasyAnimate V4, с трансформерным модулем, унаследованным от HunyuanDiT. В составе системы — VAE для сжатия видео, диффузионный трансформер с 3D-вниманием и CLIP для извлечения признаков входного изображения. Для генерации на высоких разрешениях требуется значительный объём видеопамяти.

Это экспериментальный выпуск. На изображениях и видео могут искажаться текст, кисти рук и лица в толпе; иногда модель переключает сцену, если не может предсказать продолжение. Модель распространяется по разрешительной лицензии Apache 2.0.

Сценарии применения

  • создание короткого видео из статичного изображения
  • анимация иллюстрации или концепт-арта
  • предварительная визуализация движения камеры
  • создание видеоролика с заданным движением объекта

Ограничения

Модель может искажать текст, кисти рук и лица в толпе, а иногда переключает сцену при генерации продолжения. Генерация видео высокого разрешения требует значительного объёма видеопамяти.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ruyi-Mini-7B

Hugging Face | Github

An image-to-video model by CreateAI.

Overview

Ruyi-Mini-7B is an open-source image-to-video generation model. Starting with an input image, Ruyi produces subsequent video frames at resolutions ranging from 360p to 720p, supporting various aspect ratios and a maximum duration of 5 seconds. Enhanced with motion and camera control, Ruyi offers greater flexibility and creativity in video generation. We are releasing the model under the permissive Apache 2.0 license.

Update

Dec 24, 2024: The diffusion model is updated to fix the black lines when creating 3:4 or 4:5 videos.

Dec 16, 2024: Ruyi-mini-7B is released.

Installation

Install code from github:

git clone https://github.com/IamCreateAI/Ruyi-Models
cd Ruyi-Models
pip install -r requirements.txt

Running

We provide two ways to run our model. The first is directly using python code.

python3 predict_i2v.py

Or use ComfyUI wrapper in our github repo.

Model Architecture

Ruyi-Mini-7B is an advanced image-to-video model with about 7.1 billion parameters. The model architecture is modified from EasyAnimate V4 model, whose transformer module is inherited from HunyuanDiT. It comprises three key components:

  1. Casual VAE Module: Handles video compression and decompression. It reduces spatial resolution to 1/8 and temporal resolution to 1/4, with each latent pixel is represented in 16 float numbers after compression.
  2. Diffusion Transformer Module: Generates compressed video data using 3D full attention, with:
  • 2D Normalized-RoPE for spatial dimensions;
  • Sin-cos position embedding for temporal dimensions;
  • DDPM (Denoising Diffusion Probabilistic Models) for model training.
  1. Ruyi also utilizes a CLIP model to extract the semantic features from the input image to guide the whole video generation. The CLIP features are introduced into the transformer by cross-attention.

Training Data and Methodology

The training process is divided into four phases:

  • Phase 1: Pre-training from scratch with ~200M video clips and ~30M images at a 256-resolution, using a batch size of 4096 for 350,000 iterations to achieve full convergence.
  • Phase 2: Fine-tuning with ~60M video clips for multi-scale resolutions (384–512), with a batch size of 1024 for 60,000 iterations.
  • Phase 3: High-quality fine-tuning with ~20M video clips and ~8M images for 384–1024 resolutions, with dynamic batch sizes based on memory and 10,000 iterations.
  • Phase 4: Image-to-video training with ~10M curated high-quality video clips, with dynamic batch sizes based on memory for ~10,000 iterations.

Hardware Requirements

The VRAM cost of Ruyi depends on the resolution and duration of the video. Here we list the costs for some typical video size. Tested on single A100.

Video Size360x480x120384x672x120480x640x120630x1120x120720x1280x120
Memory21.5GB25.5GB27.7GB44.9GB54.8GB
Time03:1005:2906:4924:1839:02

For 24GB VRAM cards such as RTX4090, we provide low_gpu_memory_mode, under which the model can generate 720x1280x120 videos with a longer time.

Showcase

Image to Video Effects

Camera Control

Motion Amplitude Control

Limitations

There are some known limitations in this experimental release. Texts, hands and crowded human faces may be distorted. The video may cut to another scene when the model does not know how to generate future frames. We are still working on these problems and will update the model as we make progress.

BibTeX

@misc{createai2024ruyi,
      title={Ruyi-Mini-7B},
      author={CreateAI Team},
      year={2024},
      publisher = {GitHub},
      journal = {GitHub repository},
      howpublished={\url{https://github.com/IamCreateAI/Ruyi-Models}}
}

Contact Us

You are welcomed to join our Discord or Wechat Group (Scan QR code to add Ruyi Assistant and join the official group) for further discussion!

wechat

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
fbb8813

0 моделей