/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
22 мар 2023

text-to-video-ms-1.7b-legacy

Генерация видеоТекст → видео3 профессии

Диффузионная модель ModelScope примерно с 1,7 млрд параметров для генерации видео по англоязычным текстовым описаниям.

41скачиваний за 30 дней15лайковвеса обновлены12 апр 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Видео» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Модель ali-vilab/text-to-video-ms-1.7b-legacy разработана ModelScope и предназначена для генерации видео по текстовому описанию. Это диффузионная модель примерно с 1,7 млрд параметров, состоящая из извлечения текстовых признаков, диффузии в латентном пространстве видео и преобразования латентного представления в визуальное видео. В диффузионной части используется архитектура UNet3D; модель постепенно формирует видео из гауссовского шума. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors.

Модель принимает текст на английском языке и выдаёт видео; карточка описывает генерацию роликов по произвольным текстовым запросам и оптимизацию, позволяющую создавать видео длительностью до 25 секунд при использовании менее 16 ГБ видеопамяти. Она не создаёт чёткий текст в кадре и испытывает трудности со сложными композиционными запросами; качество не достигает уровня готового кинематографического видео, а результаты могут отражать смещения обучающих данных. Для обучения использовались, в частности, LAION-5B, ImageNet и WebVid. README указывает лицензию CC-BY-NC-ND, тогда как метаданные Hugging Face указывают CC-BY-NC-4.0, поэтому условия лицензирования в источниках расходятся; проверьте лицензию перед использованием.

Сценарии применения

  • создание короткого видео по англоязычному описанию сцены
  • визуализация идеи или сюжетного эпизода в виде ролика
  • генерация видео из текста для исследовательских экспериментов

Ограничения

Поддерживается только английский ввод; модель плохо генерирует читаемый текст в кадре и сложные композиции, а качество не достигает кинематографического уровня. README запрещает генерацию порнографического, насильственного и кровавого контента; лицензии в README и метаданных расходятся.

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

Text-to-video-synthesis Model in Open Domain

This model is based on a multi-stage text-to-video generation diffusion model, which inputs a description text and returns a video that matches the text description. Only English input is supported.

Model description

The text-to-video generation diffusion model consists of three sub-networks: text feature extraction model, text feature-to-video latent space diffusion model, and video latent space to video visual space model. The overall model parameters are about 1.7 billion. Currently, it only supports English input. The diffusion model adopts a UNet3D structure, and implements video generation through the iterative denoising process from the pure Gaussian noise video.

This model is meant for research purposes. Please look at the model limitations and biases and misuse, malicious use and excessive use sections.

Model Details

Use cases

This model has a wide range of applications, and can reason and generate videos based on arbitrary English text descriptions.

Usage

Let's first install the libraries required:

$ pip install git+https://github.com/huggingface/diffusers transformers accelerate

Now, generate a video:

import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.utils import export_to_video

pipe = DiffusionPipeline.from_pretrained("damo-vilab/text-to-video-ms-1.7b-legacy", torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe.enable_model_cpu_offload()

prompt = "Spiderman is surfing"
video_frames = pipe(prompt, num_inference_steps=25).frames
video_path = export_to_video(video_frames)

Here are some results:

Long Video Generation

You can optimize for memory usage by enabling attention and VAE slicing and using Torch 2.0. This should allow you to generate videos up to 25 seconds on less than 16GB of GPU VRAM.

$ pip install diffusers transformers accelerate transformers accelerate
import torch
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler
from diffusers.utils import export_to_video

# load pipeline
pipe = DiffusionPipeline.from_pretrained("damo-vilab/text-to-video-ms-1.7b", torch_dtype=torch.float16, variant="fp16")
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)

# optimize for GPU memory
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# generate
prompt = Spiderman is surfing. Darth Vader is also surfing and following Spiderman"
video_frames = pipe(prompt, num_inference_steps=25, num_frames=200).frames

# convent to video
video_path = export_to_video(video_frames)

View results

The above code will display the save path of the output video, and the current encoding format can be played with VLC player.

The output mp4 file can be viewed by VLC media player. Some other media players may not view it normally.

Model limitations and biases

  • The model is trained based on public data sets such as Webvid, and the generated results may have deviations related to the distribution of training data.
  • This model cannot achieve perfect film and television quality generation.
  • The model cannot generate clear text.
  • The model is mainly trained with English corpus and does not support other languages ​​at the moment**.
  • The performance of this model needs to be improved on complex compositional generation tasks.

Misuse, Malicious Use and Excessive Use

  • The model was not trained to realistically represent people or events, so using it to generate such content is beyond the model's capabilities.
  • It is prohibited to generate content that is demeaning or harmful to people or their environment, culture, religion, etc.
  • Prohibited for pornographic, violent and bloody content generation.
  • Prohibited for error and false information generation.

Training data

The training data includes LAION5B, ImageNet, Webvid and other public datasets. Image and video filtering is performed after pre-training such as aesthetic score, watermark score, and deduplication.

(Part of this model card has been taken from here)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
573576b

0 моделей