Warvito/animatediff-motion-adapter-sdxl-v1-0-beta

Warvito

Texto a video

AnimateDiff es un método que permite crear videos usando modelos preexistentes de Stable Diffusion de texto a imagen. El modelo ha sido convertido al formato de Huggingface Diffusers usando el script basado en la convención de Diffuser (disponible en https://github.com/huggingface/diffusers/blob/main/scripts/convert_animatediff_motion_module_to_diffusers.py).

Como usar

El siguiente ejemplo demuestra cómo se pueden utilizar los módulos de movimiento con un modelo existente de Stable Diffusion de texto a imagen.
import argparse
import torch
from diffusers import MotionAdapter

def convert_motion_module(original_state_dict):
    converted_state_dict = {}
    for k, v in original_state_dict.items():
        if "pos_encoder" in k:
            continue
        else:
            converted_state_dict[
                k.replace(".norms.0", ".norm1")
                .replace(".norms.1", ".norm2")
                .replace(".ff_norm", ".norm3")
                .replace(".attention_blocks.0", ".attn1")
                .replace(".attention_blocks.1", ".attn2")
                .replace(".temporal_transformer", "")
            ] = v
    return converted_state_dict

def get_args():
    parser = argparse.ArgumentParser()
    parser.add_argument("--ckpt_path", type=str, required=True)
    parser.add_argument("--output_path", type=str, required=True)
    parser.add_argument("--use_motion_mid_block", action="store_true")
    parser.add_argument("--motion_max_seq_length", type=int, default=32)
    parser.add_argument("--save_fp16", action="store_true")
    return parser.parse_args()

if __name__ == "__main__":
    args = get_args()
    state_dict = torch.load(args.ckpt_path, map_location="cpu")
    if "state_dict" in state_dict.keys():
        state_dict = state_dict["state_dict"]
    conv_state_dict = convert_motion_module(state_dict)
    adapter = MotionAdapter(
        use_motion_mid_block=False,
        motion_max_seq_length=32,
        block_out_channels=(320, 640, 1280),
    )
    # saltar la carga de embeddings de posición
    adapter.load_state_dict(conv_state_dict, strict=False)
    adapter.save_pretrained(args.output_path)

    if args.save_fp16:
        adapter.to(torch.float16).save_pretrained(args.output_path, variant="fp16")

Funcionalidades

Capacidad para convertir modelos de texto a imagen de Stable Diffusion en videos usando AnimateDiff.
Conversión de modelos al formato de Huggingface Diffusers.
Uso del adaptador de movimiento (MotionAdapter) de Diffusers.

Casos de uso

Creación de videos a partir de modelos de texto a imagen existentes.
Conversión y adaptación de modelos de Stable Diffusion para usarlos en la generación de video.