[WAN 14B] LoRA

• 使用 diffusion-pipe 在 Wan2.1-T2V-14B 上训练，数据集包含图像和视频

  • 37 张图像，23 个视频

• 视频预览使用 ComfyUI_examples/wan/#text-to-video 生成

  • 使用 LoraLoaderModelOnly 节点加载 LoRA，并使用 fp8 14B wan2.1_t2v_14B_fp8_e4m3fn.safetensors

• 图像预览使用修改后的 ComfyUI_examples/wan/#text-to-video 生成

  • 将帧长设置为 1

  • 添加了超分辨率

• 图像到视频预览使用 ComfyUI_examples/wan/#image-to-video 生成

训练配置：

dataset.toml

# 分辨率设置。
resolutions = [524]

# 长宽比分桶设置
enable_ar_bucket = true
min_ar = 0.5
max_ar = 2.0
num_ar_buckets = 7

# 帧分桶（1 用于图像）
frame_buckets = [1]

[[directory]] # 图像
# 包含图像及其对应标注文件的目录路径。
path = '/mnt/d/huanvideo/training_data/images'
num_repeats = 5
resolutions = [720]
frame_buckets = [1] # 图像使用 1 帧。

[[directory]] # 视频
# 包含视频及其对应标注文件的目录路径。
path = '/mnt/d/huanvideo/training_data/videos'
num_repeats = 5
resolutions = [256] # 将视频分辨率设置为 256（例如 244p）。
frame_buckets = [28, 30, 37, 38, 41, 42, 47, 48, 50, 52, 57]

config.toml

# 数据集配置文件。
output_dir = '/mnt/d/wan/training_output'
dataset = 'dataset.toml'

# 训练设置
epochs = 50
micro_batch_size_per_gpu = 1
pipeline_stages = 1
gradient_accumulation_steps = 4
gradient_clipping = 1.0
warmup_steps = 100

# 评估设置
eval_every_n_epochs = 5
eval_before_first_step = true
eval_micro_batch_size_per_gpu = 1
eval_gradient_accumulation_steps = 1

# 其他设置
save_every_n_epochs = 5
checkpoint_every_n_minutes = 30
activation_checkpointing = true
partition_method = 'parameters'
save_dtype = 'bfloat16'
caching_batch_size = 1
steps_per_print = 1
video_clip_mode = 'single_middle'

[model]
type = 'wan'
ckpt_path = '../Wan2.1-T2V-14B'
dtype = 'bfloat16'
# 训练 LoRA 时可使用 fp8 作为 transformer。
transformer_dtype = 'float8'
timestep_sample_method = 'logit_normal'

[adapter]
type = 'lora'
rank = 32
dtype = 'bfloat16'

[optimizer]
type = 'adamw_optimi'
lr = 5e-5
betas = [0.9, 0.99]
weight_decay = 0.02
eps = 1e-8