CogVideoX 使用指南

目录

• CogVideoX 使用指南
  • 目录
  • - 环境变量声明
  • 版本说明
    • 参考实现
    • 变更记录
  • 支持任务列表
  • 环境安装
    • 仓库拉取
    • 环境搭建
    • Decord搭建
  • 权重下载及转换
    • VAE下载
    • transformer文件下载
    • T5模型下载
    • 权重转换
  • 数据集准备及处理
  • 预训练
    • 准备工作
    • 配置参数
    • 启动预训练
  • 推理
    • 准备工作
    • 配置参数
    • 启动推理
  • lora微调
    • 准备工作
    • 配置参数
    • 启动lora微调
  • 预训练模型扩参示例(15B)
    • 模型参数修改
    • 启动脚本修改
  • 环境变量声明

---

版本说明

参考实现

url=https://github.com/THUDM/CogVideo.git
commit_id=806a7f6

参考实现为SAT官方开源版本，由于源仓默认配置在竞品无法实现训练，参考实现调整了如下配置：

• 序列长度调整为6976
• 优化器调整为AdamW

变更记录

2025.01.24: 首次发布CogVideoX 1.5

支持任务列表

支持以下模型任务类型

模型	任务类型	任务列表	是否支持
CogVideoX-5B	t2v	预训练	✔
CogVideoX-5B	t2v	在线推理	✔
CogVideoX-5B	i2v	预训练	✔
CogVideoX-5B	i2v	在线推理	✔

环境安装

【模型开发时推荐使用配套的环境版本】

请参考安装指南

仓库拉取

git clone --branch 2.2.0 https://gitcode.com/Ascend/MindSpeed-MM.git 
git clone https://github.com/NVIDIA/Megatron-LM.git
cd Megatron-LM
git checkout core_v0.12.1
cp -r megatron ../MindSpeed-MM/
cd ..
cd MindSpeed-MM

环境搭建

# python3.10
conda create -n test python=3.10
conda activate test

# 安装 torch 和 torch_npu，注意要选择对应python版本、x86或arm的torch及torch_npu包
pip install torch-2.7.1-cp310-cp310-manylinux_2_28_aarch64.whl
pip install torch_npu-2.7.1*-cp310-cp310-manylinux_2_28_aarch64.whl

# 将shell脚本中的环境变量路径修改为真实路径，下面为参考路径
source /usr/local/Ascend/ascend-toolkit/set_env.sh 

# 安装加速库
git clone https://gitcode.com/Ascend/MindSpeed.git
cd MindSpeed
# checkout commit from MindSpeed core_r0.12.1
git checkout 5176c6f5f133111e55a404d82bd2dc14a809a6ab
pip install -r requirements.txt 
pip install -e .
cd ..

# 安装其余依赖库
pip install -e .

Decord搭建

【X86版安装】

pip install decord==0.6.0

【ARM版安装】

apt方式安装请参考链接

yum方式安装请参考脚本

---

权重下载及转换

VAE下载

• VAE下载链接

transformer文件下载

• CogVideoX1.0-5B-t2v
• CogVideoX1.0-5B-i2v
• CogVideoX1.5-5B-t2v
• CogVideoX1.5-5B-i2v

T5模型下载

仅需下载tokenizer和text_encoder目录的内容：下载链接

预训练权重结构如下：

CogVideoX-5B
├── text_encoder
│   ├── config.json
│   ├── model-00001-of-00002.safetensors
│   ├── model-00002-of-00002.safetensors
│   └── model.safetensors.index.json   
├── tokenizer
│   ├── added_tokens.json
│   ├── special_tokens_map.json
│   ├── spiece.model
│   └── tokenizer_config.json   
├── transformer
│   ├── 1000 (or 1)
│   │   └── mp_rank_00_model_states.pt
│   └── latest
└── vae
    └── 3d-vae.pt

权重转换

权重转换source_path参数请配置transformer权重文件的路径：

python examples/cogvideox/cogvideox_sat_convert_to_mm_ckpt.py --source_path <your source path> --target_path <target path> --task t2v --tp_size 1 --pp_size 10 11 11 10 --num_layers 42 --mode split
mm-convert CogVideoConverter --version <t2v or i2v> source_to_mm \
  --cfg.source_path <your source path> \
  --cfg.target_path <your target path> \
  --cfg.target_parallel_config.tp_size <tp_size> \
  --cfg.target_parallel_config.pp_layers <pp_layers> \

其中tp_size为实际的tp切分策略， --version的值为t2v或i2v， 当开启PP时，--pp_layers参数值个数与PP的数值相等，并且参数之和与num_layers参数相等，举例：num_layers=42, 当PP=4, pp_layers可以设置为[10,11,11,10]

转换后的权重结构如下：

TP=1,PP=1时：

CogVideoX-5B-Converted
├── release
│   └──mp_rank_00
│      └──model_optim_rng.pt
└──latest_checkpointed_iterations.txt

TP=2,PP=1, TP>2的情况依此类推：

CogVideoX-5B-Converted
├── release
│   ├──mp_rank_00
│   │    └──model_optim_rng.pt
│   └──mp_rank_01
│      └──model_optim_rng.pt
└──latest_checkpointed_iterations.txt

TP=1,PP=4, PP>1及TP>1的情况依此类推：

CogVideoX-5B-Converted
├── release
│   ├──mp_rank_00_000
│   │   └──model_optim_rng.pt
│   ├──mp_rank_00_001
│   │   └──model_optim_rng.pt
│   ├──mp_rank_00_002
│   │   └──model_optim_rng.pt
│   └──mp_rank_00_003
│       └──model_optim_rng.pt
└──latest_checkpointed_iterations.txt

---

数据集准备及处理

数据集格式应该如下：

.
├── data.jsonl
├── labels
│   ├── 1.txt
│   ├── 2.txt
│   ├── ...
└── videos
    ├── 1.mp4
    ├── 2.mp4
    ├── ...

每个 txt 与视频同名，为视频的标签。视频与标签应该一一对应。

data.jsonl文件内容如下示例：

{"file": "dataPath/1.mp4", "captions": "Content from 1.txt"}
{...}
...

---

预训练

准备工作

配置脚本前需要完成前置准备工作，包括：环境安装、权重下载及转换、数据集准备及处理，详情可查看对应章节。

配置参数

CogvideoX训练阶段的启动文件为shell脚本，主要分为如下4个：

	I2V	T2V
1.0	pretrain_cogvideox_i2v.sh	pretrain_cogvideox_t2v.sh
1.5	pretrain_cogvideox_i2v_1.5.sh	pretrain_cogvideox_t2v_1.5.sh

模型参数的配置文件如下：

	I2V	T2V
1.0	model_cogvideox_i2v.json	model_cogvideox_t2v.json
1.5	model_cogvideox_i2v_1.5.json	model_cogvideox_t2v_1.5.json

以及涉及训练数据集的data.json文件

默认的配置已经经过测试，用户可按照自身环境修改如下内容：

1. 权重配置

需根据实际任务情况在启动脚本文件（如pretrain_cogvideox_i2v.sh）中的LOAD_PATH="your_converted_dit_ckpt_dir"变量中添加转换后的权重的实际路径，如LOAD_PATH="./CogVideoX-5B-Converted",其中./CogVideoX-5B-Converted为转换后的权重的实际路径，其文件夹内容结构如权重转换一节所示。LOAD_PATH变量中填写的完整路径一定要正确，填写错误的话会导致权重无法加载但运行并不会提示报错。

根据需要填写SAVE_PATH变量中的路径，用以保存训练后的权重。

2. 数据集路径配置

根据实际情况修改data.json中的数据集路径，分别为"data_path":"/data_path/data.jsonl"、"data_folder":"/data_path/"，替换"/data_path/"为实际的数据集路径。

3. VAE及T5模型路径配置

根据实际情况修改模型参数配置文件（如model_cogvideox_i2v.json）以及data.json文件中VAE及T5模型文件的实际路径。其中，T5文件的路径字段为"from_pretrained": "5b-cogvideo/tokenizer"及"from_pretrained": "5b-cogvideo"，替换5b-cogvideo为实际的路径；VAE模型文件的路径字段为"from_pretrained": "3d-vae.pt"，替换3d-vae.pt为实际的路径。

当需要卸载VAE跟T5时，将模型参数配置文件中的"load_video_features": false及"load_text_features": false字段中的值分别改为true。将data.json中的"use_feature_data"字段的值改为true。

4. 切分策略配置

• 当PP开启时，在启动脚本文件中添加--optimization-level 2 --use-multiparameter-pipeline-model-parallel参数，并且在模型参数配置文件中的将pipeline_num_layers参数的值由null改为实际切分情况，例如PP=4，num_layers=42时，"pipeline_num_layers":[11, 10, 11, 10],具体值根据实际的PP切分策略确定。

• 当开启VAE CP时，修改模型参数配置文件中的ae字典内的关键字cp_size的值为所需要的值，不兼容Encoder-DP、未验证与分层Zero效果。

• 当开启SP时，在启动脚本文件中添加--sequence-parallel参数。

• 当开启Encoder-DP时，需要将model_cogvideox_i2v_1.5.json 或者model_cogvideox_t2v_1.5.json中的enable_encoder_dp选项改为true。注意:需要在开启CP/TP，并且load_video_features为false及load_text_features为false才能启用，不兼容PP场景、VAE-CP、分层Zero。

• 当开启分层Zero时，需要在pretrain_cogvideox_t2v_1.5.sh或者pretrain_cogvideox_i2v_1.5.sh里面添加下面的参数。 注意：不兼容Encoder-DP特性、TP场景、PP场景，与VAE-CP效果未验证。

  --layerzero \
  --layerzero-config ./zero_config.yaml \
  

  参数里面的yaml文件如下面所示:

  zero3_size: 8  
  transformer_layers:
    - mindspeed_mm.models.predictor.dits.sat_dit.VideoDiTBlock
  backward_prefetch: 'BACKWARD_PRE'
  param_dtype: "bf16"
  reduce_dtype: "fp32"
  forward_prefetch: True
  limit_all_gathers: True
  ignored_modules:
    - ae
    - text_encoder
  

  该特性和TP不能兼容，开启时TP必须设置为1，使用该特性训练时，保存的权重需要使用下面的转换脚本进行后处理才能用于推理：

  ```bash
  source /usr/local/Ascend/ascend-toolkit/set_env.sh
  # your_mindspeed_path和your_megatron_path分别替换为之前下载的mindspeed和megatron的路径
  export PYTHONPATH=$PYTHONPATH:<your_mindspeed_path>
  export PYTHONPATH=$PYTHONPATH:<your_megatron_path>
  # cfg.source_path为layerzero训练保存权重的路径，cfg.target_path为输出的megatron格式权重的路径
  mm-convert CogVideoConverter layerzero_to_mm \
    --cfg.source_path ./save_ckpt/cogvideo/
    --cfg.target_path ./save_ckpt/cogvideo_megatron_ckpt/
  ```
  

模型参数配置文件中的head_dim字段原模型默认配置为64。此字段调整为128会更加亲和昇腾。

在sh启动脚本中可以修改运行卡数(NNODES为节点数，GPUS_PER_NODE为每个节点的卡数，相乘即为总运行卡数)：

GPUS_PER_NODE=8
MASTER_ADDR=localhost
MASTER_PORT=29501
NNODES=1  
NODE_RANK=0  
WORLD_SIZE=$(($GPUS_PER_NODE * $NNODES))

启动预训练

t2v 1.0版本任务启动预训练

bash examples/cogvideox/t2v_1.0/pretrain_cogvideox_t2v.sh

t2v 1.5版本任务启动预训练

bash examples/cogvideox/t2v_1.5/pretrain_cogvideox_t2v_1.5.sh

i2v 1.0版本任务启动预训练

bash examples/cogvideox/i2v_1.0/pretrain_cogvideox_i2v.sh

i2v 1.5版本任务启动预训练

bash examples/cogvideox/i2v_1.5/pretrain_cogvideox_i2v_1.5.sh

---

推理

准备工作

在开始之前，请确认环境准备、模型权重下载已完成

配置参数

CogvideoX推理启动文件为shell脚本，主要分为如下4个：

	I2V	T2V
1.0	inference_cogvideox_i2v.sh	inference_cogvideox_t2v.sh
1.5	inference_cogvideox_i2v_1.5.sh	inference_cogvideox_t2v_1.5.sh

模型参数的配置文件如下：

	I2V	T2V
1.0	inference_model_i2v.json	inference_model_t2v.json
1.5	inference_model_i2v_1.5.json	inference_model_t2v_1.5.json

1. 权重配置

需根据实际任务情况在启动脚本文件（如inference_cogvideox_i2v.sh）中的LOAD_PATH="your_converted_dit_ckpt_dir"变量中添加转换后的权重的实际路径，如LOAD_PATH="./CogVideoX-5B-Converted",其中./CogVideoX-5B-Converted为转换后的权重的实际路径，其文件夹内容结构如权重转换一节所示。LOAD_PATH变量中填写的完整路径一定要正确，填写错误的话会导致权重无法加载但运行并不会提示报错。

2. VAE及T5模型路径配置

根据实际情况修改模型参数配置文件（如inference_model_i2v.json）中VAE及T5模型文件的实际路径。其中，T5文件的路径字段为"from_pretrained": "5b-cogvideo"，替换5b-cogvideo为实际的路径；VAE模型文件的路径字段为"from_pretrained": "3d-vae.pt"，替换3d-vae.pt为实际的路径。

3. prompts配置

t2v prompts配置文件	修改字段	修改说明
examples/cogvideox/samples_prompts.txt	文件内容	自定义prompt

i2v prompts配置文件	修改字段	修改说明
examples/cogvideox/samples_i2v_images.txt	文件内容	图片路径
examples/cogvideox/samples_i2v_prompts.txt	文件内容	自定义prompt

如果使用训练后保存的权重进行推理，需要使用脚本进行转换，权重转换source_path参数请配置训练时的保存路径

python examples/cogvideox/cogvideox_sat_convert_to_mm_ckpt.py --source_path <your source path> --target_path <target path> --task t2v --tp_size 1 --pp_size 42  --num_layers 42 --mode merge

启动推理

t2v 1.0版本启动推理脚本

bash examples/cogvideox/t2v_1.0/inference_cogvideox_t2v.sh

t2v 1.5版本启动推理脚本

bash examples/cogvideox/t2v_1.5/inference_cogvideox_t2v_1.5.sh

i2v 1.0版本启动推理脚本

bash examples/cogvideox/i2v_1.0/inference_cogvideox_i2v.sh

i2v 1.5版本启动推理脚本

bash examples/cogvideox/i2v_1.5/inference_cogvideox_i2v_1.5.sh

---

lora微调

准备工作

配置脚本前请确认环境准备已完成。

1. 权重下载及转换

模型权重下载链接(链接下包含模型权重以及tokenizer和text_encoder):

• t2v下载链接
• i2v下载链接

lora微调功能的权重转换使用cogvideox_hf_convert_to_mm_ckpt.py脚本，注意source_path为权重所在目录的目录名，非权重本身。

mm-convert CogVideoConverter --version <t2v or i2v> hf_to_mm \
  --cfg.source_path <your source path> \
  --cfg.target_path <target path>

VAE权重下载

• VAE下载链接

2. 数据集准备及处理

lora数据集下载链接

原始数据集不包含MM套件所需的data.jsonl文件形式，需要将原始数据集中prompt.txt和videos.txt合并生成data.jsonl文件。

推荐使用提供的cogvideox_lora_dataset_convert.py脚本完成转换:

python examples/cogvideox/cogvideox_lora_dataset_convert.py --video_path '/data_path/videos.txt' --prompt_path '/data_path/prompt.txt' --output_path '/data_path/data.jsonl'

配置参数

CogvideoX lora微调阶段的启动文件为shell脚本，主要分为如下2个：

	I2V	T2V
1.5	finetune_cogvideox_lora_i2v_1.5.sh	finetune_cogvideox_lora_t2v_1.5.sh

模型参数的配置文件如下：

	I2V	T2V
1.5	model_cogvideox_i2v_1.5.json	model_cogvideox_t2v_1.5.json

以及涉及训练数据集的data.json文件

默认的配置已经经过测试，用户可按照自身环境修改如下内容：

1. 权重配置

权重转换完成后根据实际任务情况在启动脚本文件（如finetune_cogvideox_lora_i2v_1.5.sh）中的LOAD_PATH="your_converted_dit_ckpt_dir"变量中添加转换后的权重的实际路径，如LOAD_PATH="./CogVideoX-5B-Converted",其中./CogVideoX-5B-Converted为转换后的权重的实际路径，其文件夹内容结构如权重转换一节所示。LOAD_PATH变量中填写的完整路径一定要正确，填写错误的话会导致权重无法加载但运行并不会提示报错。 根据需要填写SAVE_PATH变量中的路径，用以保存训练后的lora权重。

2. 数据集路径配置

准备好数据集后，根据实际情况修改data.json中的数据集路径，分别为"data_path":"/data_path/data.jsonl"、"data_folder":"/data_path/"，替换"/data_path/"为实际的数据集路径。

3. VAE及T5模型路径配置

请参考预训练相同章节

4. 切分策略配置

请参考预训练相同章节

启动lora微调

t2v 1.5版本任务启动微调

bash examples/cogvideox/t2v_1.5/finetune_cogvideox_lora_t2v_1.5.sh

i2v 1.5版本任务启动微调

bash examples/cogvideox/i2v_1.5/finetune_cogvideox_lora_i2v_1.5.sh

训练完成后保存的权重仅为lora微调部分，如果需要合并到原始权重中，可以执行以下脚本完成合并（配置仅供参考）：

mm-convert CogVideoConverter --version <t2v or i2v> merge_lora_to_base \
  --cfg.source_path './converted_transformer' \
  --cfg.lora_path "./my_ckpt" \
  --cfg.target_path "./merge_base_lora_target" \
  --lora_rank 128 \
  --lora_alpha 64 \

---

预训练模型扩参示例(15B)

模型参数修改

通过增加扩散模型层数等配置可以模拟15B参数量，如下所示，修改模型参数配置文件（model_cogvideox_i2v.json）中"predictor"下的"num_layers"、"num_heads"和"head_dim"的值

"predictor": {
    "num_layers": 64,
    "num_heads": 32,
    "head_dim": 128,
    ...
}

启动脚本修改

修改GPT_ARGS参数如下，根据实际分辨率、帧数调整启动脚本中的分布式配置（单机16卡CP4效果较佳）：

GPUS_PER_NODE=16
MASTER_ADDR={主节点IP}
MASTER_PORT=6000
NNODES=1
NODE_RANK=0
WORLD_SIZE=$(($GPUS_PER_NODE * $NNODES))

TP=4
PP=1
CP=4
MBS=1
GBS=$(($WORLD_SIZE*$MBS/$CP/$TP))

GPT_ARGS="
    --num-attention-heads 64 \
    --seq-length 32 \
    --max-position-embeddings 32 \
    --recompute-num-layers 64 \
    ...
"

环境变量声明

环境变量	描述	取值说明
ASCEND_SLOG_PRINT_TO_STDOUT	是否开启日志打印	0: 关闭日志打屏 1: 开启日志打屏
ASCEND_GLOBAL_LOG_LEVEL	设置应用类日志的日志级别及各模块日志级别，仅支持调试日志	0: 对应DEBUG级别 1: 对应INFO级别 2: 对应WARNING级别 3: 对应ERROR级别 4: 对应NULL级别，不输出日志
TASK_QUEUE_ENABLE	用于控制开启task_queue算子下发队列优化的等级	0: 关闭 1: 开启Level 1优化 2: 开启Level 2优化
COMBINED_ENABLE	设置combined标志。设置为0表示关闭此功能；设置为1表示开启，用于优化非连续两个算子组合类场景	0: 关闭 1: 开启
CPU_AFFINITY_CONF	控制CPU端算子任务的处理器亲和性，即设定任务绑核	设置0或未设置: 表示不启用绑核功能 1: 表示开启粗粒度绑核 2: 表示开启细粒度绑核
HCCL_CONNECT_TIMEOUT	用于限制不同设备之间socket建链过程的超时等待时间	需要配置为整数，取值范围[120,7200]，默认值为120，单位s
PYTORCH_NPU_ALLOC_CONF	控制缓存分配器行为	expandable_segments:<value>: 使能内存池扩展段功能，即虚拟内存特征
HCCL_EXEC_TIMEOUT	控制设备间执行时同步等待的时间，在该配置时间内各设备进程等待其他设备执行通信同步	需要配置为整数，取值范围[68,17340]，默认值为1800，单位s
ACLNN_CACHE_LIMIT	配置单算子执行API在Host侧缓存的算子信息条目个数	需要配置为整数，取值范围[1, 10,000,000]，默认值为10000
TOKENIZERS_PARALLELISM	用于控制Hugging Face的transformers库中的分词器（tokenizer）在多线程环境下的行为	False: 禁用并行分词 True: 开启并行分词
MULTI_STREAM_MEMORY_REUSE	配置多流内存复用是否开启	0: 关闭多流内存复用 1: 开启多流内存复用
NPU_ASD_ENABLE	控制是否开启Ascend Extension for PyTorch的特征值检测功能	设置0或未设置: 关闭特征值检测 1: 表示开启特征值检测，只打印异常日志，不告警 2:开启特征值检测，并告警 3:开启特征值检测，并告警，同时会在device侧info级别日志中记录过程数据
ASCEND_LAUNCH_BLOCKING	控制算子执行时是否启动同步模式	0: 采用异步方式执行 1: 强制算子采用同步模式运行
NPUS_PER_NODE	配置一个计算节点上使用的NPU数量	整数值（如 1, 8 等）