Ruyi-Mini-7B:开源的图像生成视频模型

Ruyi-Mini-7B 是由 CreateAI 开发的一款开源图像生成视频模型,可将输入图像转化为短视频。该模型支持从 360p 到 720p 的多种分辨率、灵活的长宽比,生成视频的最大时长为 5 秒。凭借运动与摄像机控制功能,Ruyi 为视频生成带来了更高的创造性与灵活性。该模型采用宽松的 Apache 2.0 许可协议发布,允许社区广泛使用与二次开发。

核心功能概述

图像到视频:以静态图像为输入,生成动态视频。

多分辨率支持:支持 360p 至 720p 的分辨率以及各种宽高比。

灵活时长:可生成最多 5 秒的视频内容。

高级控制:内置运动和摄像机控制,增强用户对视频动态的操控能力。

模型架构

Ruyi-Mini-7B 拥有 71 亿参数,其架构在 EasyAnimate V4 的基础上优化改进,核心组件包括:

Casual VAE 模块

负责视频的压缩与解压。

空间分辨率降低至 1/8,时间分辨率降低至 1/4。

每个潜在像素使用 16 通道的 BF16 进行表示。
扩散变换器模块 (Diffusion Transformer Module)

使用 3D 全注意力机制生成压缩视频数据。

空间维度采用 2D Normalized-RoPE 方法;时间维度使用正弦-余弦位置嵌入。

训练过程基于 DDPM(去噪扩散概率模型)。
CLIP 引导特性

提取输入图像的语义特征,用于指导视频生成过程。

特征通过交叉注意力机制引入变换器模块。

训练数据与方法

Ruyi-Mini-7B 的训练分为以下四个阶段,覆盖从预训练到高质量视频生成的全流程:

阶段 1 :从零开始的预训练

数据量:约 2 亿视频片段 + 3000 万张图像

分辨率:256

批量大小:4096

迭代次数:350,000 次

阶段 2 :多分辨率微调

数据量:约 6000 万视频片段

分辨率:384--512

批量大小:1024

迭代次数:60,000 次

阶段 3 :高质量微调

数据量:约 2000 万视频片段 + 800 万张图像

分辨率:384--1024

动态批量大小,基于显存分配

迭代次数:10,000 次

阶段 4 :最终高质量视频训练

数据量:约 1000 万高质量视频片段

批量大小:1024

迭代次数:10,000 次

使用说明

安装

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

运行

使用 Python 脚本运行:

bash 复制代码
python3 predict_i2v.py

使用 GitHub 提供的 ComfyUI 包装器。

硬件需求

运行 Ruyi-Mini-7B 所需的显存大小取决于视频的分辨率和时长。以下是单张 A100 测试下的典型显存消耗:

总结

Ruyi-Mini-7B 是一个强大的图像生成视频模型,结合了先进的架构设计和高质量的训练数据。无论是科研用途还是实际创意场景,它都为用户提供了强大的视频生成能力。凭借开源的特性与详细的文档支持,Ruyi-Mini-7B 让每位用户都能轻松体验视频生成的乐趣与创造力。

附一个AI编写投标文件工具

相关推荐
EasyDSS3 小时前
视频监控从安装到优化的技术指南,视频汇聚系统EasyCVR智能安防系统构建之道
大数据·网络·网络协议·音视频
阿酷tony7 小时前
将视频生成视频二维码步骤
音视频·视频格式·视频二维码·视频生成二维码
9527华安7 小时前
国产紫光同创FPGA视频采集转SDI编码输出,基于HSSTHP高速接口,提供2套工程源码和技术支持
fpga开发·音视频·紫光同创·sdi·高速接口·hssthp
潮汐退涨月冷风霜8 小时前
开发了一个b站视频音频提取器
音视频
qq_316837758 小时前
使用ffmpeg 将图片合成为视频,填充模糊背景,并添加两段音乐
ffmpeg·音视频
18538162800余。13 小时前
碰一碰发视频源码,碰一碰发视频OEM
音视频
一念春风17 小时前
C# 音频分离(MP3伴奏)
数据库·c#·音视频
Oliverro18 小时前
智慧景区国标GB28181视频平台EasyGBS视频融合应用全场景解决方案
网络·音视频
h39741 天前
MFC文件-写MP4
c++·windows·音视频·mfc
王江奎1 天前
音视频小白系统入门课-4
音视频