/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
diffusers
Опубликована
21 ноя 2024

Allegro-TI2V

Видео из изображенияИзображение, текст → видео3 профессии

Allegro-TI2V создаёт короткие видео по текстовому запросу и одному или двум опорным кадрам.

67скачиваний за 30 дней60лайковвеса обновлены26 ноя 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

Allegro-TI2V — модель генерации видео по текстовому запросу и изображению, разработанная Rhymes AI. Она создаёт продолжение сцены по первому кадру либо промежуточный видеоряд по первому и последнему кадрам, учитывая текстовое описание. Модель построена на VideoDiT с 2,8 млрд параметров и VideoVAE с 175 млн параметров; для работы предусмотрена библиотека Diffusers и форматы safetensors.

Модель предназначена для создания динамичных сцен, в том числе с людьми и животными. Она генерирует видео длительностью 6 секунд с частотой 15 кадров в секунду и разрешением 720×1280; результат можно интерполировать до 30 кадров в секунду с EMA-VFI. Контекст составляет 79,2 тыс. токенов, что в карточке соотнесено с 88 кадрами. В режиме BF16 с выгрузкой части вычислений на CPU требуется 9,3 ГБ видеопамяти. Лицензия — Apache 2.0.

Сценарии применения

  • создание видеоклипа по текстовому запросу и начальному изображению
  • анимация изображения с продолжением сцены от первого кадра
  • генерация перехода между заданными первым и последним кадрами
  • создание коротких динамичных сцен с людьми или животными

Ограничения

Указаны режим генерации видео длительностью 6 секунд при 15 кадрах в секунду и разрешении 720×1280; для интерполяции до 30 кадров в секунду требуется EMA-VFI. Работа модели требует значительных вычислительных ресурсов, хотя в режиме BF16 с выгрузкой на CPU заявлено потребление 9,3 ГБ 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

Gallery

For more demos and corresponding prompts, see the Allegro Gallery.

Key Feature

  • Open Source: Full model weights and code available to the community, Apache 2.0!
  • Versatile Content Creation: Capable of generating a wide range of content, from close-ups of humans and animals to diverse dynamic scenes.
  • Text-Image-to-Video Generation: Generate videos from user-provided prompts and images. Supported input types include:
    • Generating subsequent video content from a user prompt and first frame image.
    • Generating intermediate video content from a user prompt and both first and last frame images.
  • High-Quality Output: Generate detailed 6-second videos at 15 FPS with 720x1280 resolution, which can be interpolated to 30 FPS with EMA-VFI.
  • Small and Efficient: Features a 175M parameter VideoVAE and 2.8B parameter VideoDiT model. Supports multiple precisions (FP32, BF16, FP16) and uses 9.3 GB GPU memory in BF16 mode with CPU offloading. Context length is 79.2K, equivalent to 88 frames.

Model info

Quick start

  1. Download the Allegro GitHub code.

  2. Install the necessary requirements.

    • Ensure Python >= 3.10, PyTorch >= 2.4, CUDA >= 12.4. For details, see requirements.txt.
    • It is recommended to use Anaconda to create a new environment (Python >= 3.10) to run the following example.
  3. Download the Allegro-TI2V model weights.

  4. Run inference.

    python single_inference_ti2v.py \
    --user_prompt 'The car drives along the road.' \
    --first_frame your/path/to/first_frame_image.png \
    --vae your/path/to/vae \
    --dit your/path/to/transformer \
    --text_encoder your/path/to/text_encoder \
    --tokenizer your/path/to/tokenizer \
    --guidance_scale 8 \
    --num_sampling_steps 100 \
    --seed 1427329220
    

    The output video resolution is fixed at 720 × 1280. Input images with different resolutions will be automatically cropped and resized to fit.

    ArgumentDescription
    --user_prompt[Required] Text input for image-to-video generation.
    --first_frame[Required] First-frame image input for image-to-video generation.
    --last_frame[Optional] If provided, the model will generate intermediate video content based on the specified first and last frame images.
    --enable_cpu_offload[Optional] Offload the model into CPU for less GPU memory cost (about 9.3G, compared to 27.5G if CPU offload is not enabled), but the inference time will increase significantly.
  5. (Optional) Interpolate the video to 30 FPS

  • It is recommended to use EMA-VFI to interpolate the video from 15 FPS to 30 FPS.
  • For better visual quality, you can use imageio to save the video.

License

This repo is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
eaac492

0 моделей