Hunyuan 视频 LoRA。动漫《Akame ga Kill!》。Akame。v1

这是我第一个 LoRA 训练项目。我有以下几个问题：

1. 哪种标题效果最好？我遵循了这样的结构："""<标签>, <视角>, <角色+视觉描述>, <更精确的视角>"""

2. 应该使用什么分辨率的视频？我使用了 [768, 480]。使用不同分辨率的视频更好，还是统一分辨率更好？

3. 如何确定这个值 "frame_buckets = [1, 16, 33, 65, 97, 129]"？我选择这个是因为数据集中的视频时长在 0.6 秒到 4.93 秒之间。

4. "video_clip_mode" 是什么？我选择了 multiple_overlapping，但为什么选这个而不是其他选项？

5. 如果我想提升 LoRA 的质量，以下哪项更重要：

   • A：收集更多数据；
   • B：制作更好的标题；
   • C：仅收集针对单一任务或单一动作的数据；

6. 训练 LoRA 时，使用图像和视频结合更好，还是只用视频更好？

7. 很难决定最优的推理参数，因为可调的参数太多了。

如果有人能解答以上问题，我将非常高兴阅读您的答案。

描述

该 Hunyuan LoRA 模型基于动漫第一集中 Akame 的短视频片段进行训练，共 29 个片段，平均时长：2.16 秒。使用 Diffusion-pipe 仓库进行训练。

您可以在以下链接查看训练配置、工作流程、LoRA 模型和所有数据：akame_v1

推理参数

• lora_strength: 1.0
• dtype: bfloat16
• resolution: [[768,480]]（宽，高）
• num_frames: 93
• steps: 20
• embedded_guidance_scale: 9.00 *注意：我发现这个值对我的其他 LoRA 效果良好，因此这里沿用，但建议尝试调整；
• enhance video weight: 4.0 *注意：我认为此参数也可调整，且增强视频节点中还有其他参数。

数据

• 数量：29 个片段，时长从 0.6 秒到 4.93 秒
• 平均长度：2.16 秒

数据通过 OpenShot 程序手动收集，从一部动漫剧集中采集 29 个片段耗时约 1 小时，再使用 Sonnet 3.5 生成标题并手动修正错误，又耗时约 1 小时。