Wan2.2 使用指南

• Wan2.2 使用指南
  • 版本说明
    • 参考实现
    • 变更记录
  • 任务支持列表
  • 环境安装
    • 仓库拉取
    • 环境搭建
    • Decord搭建
  • 权重下载及转换
    • Diffusers权重下载
    • 权重转换
  • 预训练
    • 数据预处理
    • 训练
      • 准备工作
      • 参数配置
      • 启动训练
  • 推理
    • 准备工作
    • 参数配置
    • 启动推理
  • 环境变量声明

版本说明

参考实现

【预训练任务】

5B:

url=https://github.com/modelscope/DiffSynth-Studio.git
commit_id=f0ea049

A14B:

url=https://github.com/modelscope/DiffSynth-Studio.git
commit_id=833ba1e

【推理】

url=https://github.com/huggingface/diffusers/tree/v0.35.1

变更记录

2025.10.11: 首次支持Wan2.2模型

任务支持列表

模型大小	任务类型	预训练	在线T2V推理	在线I2V推理
5B	t2v	✔	✔
5B	ti2v	✔		✔
A14B	t2v	✔	✔
A14B	i2v	✔		✔

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 2.3.0 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 ../MindSpeed-MM

环境搭建

# 安装对应python版本、x86或arm的torch、torch_npu
# 参考 安装指南 -> PTA安装

# 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/cann/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 93c45456c7044bacddebc5072316c01006c938f9
pip install -e .
cd ..

# 安装其余依赖库
pip install -e .

# 更新diffusers、peft
pip install diffusers==0.35.1 peft==0.17.1

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

Diffusers权重下载

模型	下载链接
5B	https://huggingface.co/Wan-AI/Wan2.2-TI2V-5B-Diffusers
T2V-14B	https://huggingface.co/Wan-AI/Wan2.2-T2V-A14B-Diffusers
I2V-14B	https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B-Diffusers

权重转换

需要对下载后的Wan2.2模型权重transformer部分进行权重转换，运行权重转换脚本：

mm-convert WanConverter hf_to_mm \
 --cfg.source_path ./weights/Wan-AI/Wan2.2-{TI2V/T2V/I2V}-{5/A14}B-Diffusers/transformer* \
 --cfg.target_path ./weights/Wan-AI/Wan2.2-{TI2V/T2V/I2V}-{5/A14}B-Diffusers/transformer*

权重转换脚本的参数说明如下：

参数	含义
--cfg.source_path	原始权重路径
--cfg.target_path	转换或切分后权重保存路径

如需转回Hugging Face格式，需运行权重转换脚本：

注： wan2.2使用fsdp2进行训练，需首先进行其训练权重后处理，再进行如下操作：

mm-convert WanConverter mm_to_hf \
 --cfg.source_path path_for_your_saved_weight \
 --cfg.target_path ./converted_weights/Wan-AI/Wan2.2-{TI2V/T2V/I2V}-{5/A14}B-Diffusers/transformer* \
 --cfg.hf_dir weights/Wan-AI/Wan2.2-{TI2V/T2V/I2V}-{5/A14}B-Diffusers/transformer*

权重转换脚本的参数说明如下：

参数	含义
--cfg.source_path	MindSpeed MM保存的权重路径
--cfg.target_path	转换后的Hugging Face权重路径
--cfg.hf_dir	原始Hugging Face权重路径，需要从该目录下获取原始配置文件

注： 对A14B模型，hugging face diffusers权重中包含两个transformer权重， 后缀中transformer对应高噪声（high）模型，transformer_2对应低噪声（low）模型。

---

预训练

数据预处理

将数据处理成如下格式

</dataset>
  ├──data.json
  ├──videos
  │  ├──video0001.mp4
  │  ├──video0002.mp4

其中，videos/下存放视频，data.json中包含该数据集中所有的视频-文本对信息，具体示例如下：

[
    {
        "path": "videos/video0001.mp4",
        "cap": "Video discrimination1.",
        "num_frames": 81,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 832
        }
    },
    {
        "path": "videos/video0002.mp4",
        "cap": "Video discrimination2.",
        "num_frames": 81,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 832
        }
    },
    ......
]

修改examples/wan2.2/data.txt文件，其中每一行表示一个数据集，第一个参数表示数据文件夹的路径，第二个参数表示data.json文件的路径，用,分隔

训练

准备工作

在开始之前，请确认环境准备、模型权重下载、数据预处理已完成。

参数配置

检查数据集路径、模型权重路径、并行参数配置等是否完成

配置文件	修改字段	修改说明
examples/wan2.2/{model_size}/{task}/data.json	from_pretrained	修改为下载的tokenizer的权重所对应的路径
examples/wan2.2/{model_size}/{task}/pretrain_model*.json	from_pretrained	修改为下载的权重所对应路径（包括vae, text_encoder）
examples/wan2.2/{model_size}/{task}/pretrain*.sh	NPUS_PER_NODE	每个节点的卡数
examples/wan2.2/{model_size}/{task}/pretrain*.sh	NNODES	节点数量
examples/wan2.2/{model_size}/{task}/pretrain*.sh	LOAD_PATH	权重转换后的预训练权重路径
examples/wan2.2/{model_size}/{task}/pretrain*.sh	SAVE_PATH	训练过程中保存的权重路径
examples/wan2.2/{model_size}/{task}/pretrain*.sh	CP	训练时的CP size（建议根据训练时设定的分辨率调整）

注： 当前LOAD_PATH路径无效时，MindSpeed会对模型随机初始化从头训练。为防止加载失败，请留意日志中的warning信息，或者自行确认路径合法。

【并行化配置参数说明】：

• CP: 序列并行。

  • 使用场景：在视频序列（分辨率X帧数）较大时，可以开启来降低内存占用。

  • 使能方式：在启动脚本中设置 CP > 1，如：CP=2；

  • 限制条件：head 数量需要能够被CP整除（在examples/wan2.2/{model_size}/{task}/pretrain_model*.json中配置，参数为num_heads）

  • 默认使能方式为Ulysses序列并行。

  • DiT-RingAttention：DiT RingAttention序列并行请参考文档

  • DiT-USP: DiT USP混合序列并行（Ulysses + RingAttention）请参考文档

• fsdp2

  • 使用场景：在模型参数规模较大时，可以通过开启fsdp2降低静态内存。

  • 使能方式：examples/wan2.2/{model_size}/{task}/pretrain.sh的GPT_ARGS中加入--use-torch-fsdp2，--fsdp2-config-path ${fsdp2_config}，--untie-embeddings-and-output-weights以及--ckpt-format torch_dcp，其中fsdp2_config配置请参考：FSDP2说明

  • 训练权重后处理：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：

    # 训练结束后保存的权重路径
    save_path="./wandit_weight_save"
    iter_dir="$save_path/iter_$(printf "%07d" $(cat $save_path/latest_checkpointed_iteration.txt))"
    # 权重转换的目标路径
    convert_dir="./dcp_to_torch"
    mkdir -p $convert_dir/release/mp_rank_00
    cp $save_path/latest_checkpointed_iteration.txt $convert_dir/
    echo "release" > $convert_dir/latest_checkpointed_iteration.txt
    python -m torch.distributed.checkpoint.format_utils dcp_to_torch "$iter_dir" "$convert_dir/release/mp_rank_00/model_optim_rng.pt"
    

启动训练

【5B】

bash examples/wan2.2/{model_size}/{task}/pretrain.sh

【A14B】

bash examples/wan2.2/{model_size}/{task}/pretrain_{type}.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

参数配置

检查模型权重路径、并行参数等配置是否完成

配置文件	修改字段	修改说明
examples/wan2.2/{model_size}/{task}/inference_model.json	from_pretrained	修改为下载的权重所对应路径（包括vae、tokenizer、text_encoder）
examples/wan2.2/samples_t2v_prompts.txt	文件内容	T2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.2/samples_i2v_prompts.txt	文件内容	I2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.2/samples_i2v_images.txt	文件内容	I2V推理任务的首帧图片路径，可自定义，一行为一个图片路径
examples/wan2.2/{model_size}/{task}/inference_model.json	save_path	生成视频的保存路径
examples/wan2.2/{model_size}/{task}/inference_model.json	input_size	生成视频的分辨率，格式为 [t, h, w]
examples/wan2.2/{model_size}/{task}/inference_model.json	low_noise_predictor	转换之后的transformer_2（低噪声）部分权重路径，仅A14B模型涉及
examples/wan2.2/{model_size}/{task}/inference.sh	LOAD_PATH	转换之后的transformer部分权重路径，对A14B模型对应高噪声模型

启动推理

bash examples/wan2.2/{model_size}/{task}/inference.sh

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）