HunyuanVideo使用指南

• HunyuanVideo使用指南
  • 版本说明
    • 参考实现
    • 变更记录
  • 环境安装
    • 仓库拉取及环境搭建
    • Decord搭建
  • 权重下载及转换
    • TextEncoder下载
    • HunyuanVideoDiT与VAE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
      • 权重后处理
  • I2V lora微调
    • 准备工作
      • 权重转换
      • 配置参数
    • 启动lora微调
  • 环境变量声明

版本说明

参考实现

T2V 任务

url=https://github.com/hao-ai-lab/FastVideo
commit_id=a33581186973e6d7355f586fa065b6abb29b97fb

I2V 及I2V LoRA微调任务

url=https://github.com/Tencent-Hunyuan/HunyuanVideo-I2V
commit_id=2766232ceaafeb680ca32fe0a7e9735c04b561d4

变更记录

2025.06.07：T2V任务同步FastVideo原仓关键参数修改，将embedded_guidance_scale参数默认值设置为1

2025.04.27：首次发布HunyuanVideo I2V任务及I2V LoRA微调任务

2025.02.20：首次发布HunyuanVideo T2V

环境安装

MindSpeed-MM MindSpore后端的依赖配套如下表，安装步骤参考基础安装指导。

依赖软件
昇腾NPU驱动固件	在研版本
昇腾 CANN	在研版本
MindSpore	2.7.1
Python	>=3.9
mindspore_op_plugin	在研版本

仓库拉取及环境搭建

针对MindSpeed MindSpore后端，昇腾社区提供了一键拉起工具MindSpeed-Core-MS，旨在帮助用户自动拉取相关代码仓并对torch代码进行一键适配，进而使用户无需再额外手动开发适配即可在华为MindSpore+CANN环境下一键拉起模型训练。在进行一键拉起前，用户需要拉取相关的代码仓以及进行环境搭建：

# 创建conda环境
conda create -n test python=3.10
conda activate test

# 使用环境变量
source /usr/local/Ascend/cann/set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh --cxx_abi=0

# 安装MindSpeed-Core-MS拉起工具
git clone https://gitcode.com/Ascend/MindSpeed-Core-MS.git -b r0.5.0

# 使用MindSpeed-Core-MS内部脚本自动拉取相关代码仓并一键适配、提供配置环境
cd MindSpeed-Core-MS
pip install -r requirements.txt
source auto_convert.sh mm
#MM 版本
cd MindSpeed-MM
git checkout 2.3.0
git checkout 4da05733e49e9f2b47ad48d7c488af0975033a34
cd ..

pip install transformers==4.51.0
pip install diffusers==0.30.3

# 拉取并安装mindspore_op_plugin
git clone https://gitee.com/mindspore/mindspore_op_plugin.git
cd mindspore_op_plugin
bash build.sh
pip install output/xxx.whl
source env.source
cd ..

mkdir ckpt
mkdir data
mkdir logs

注：mindspore_op_plugin 是 MindSpore 的算子插件库，通过直接调用 libtorch 中的 ATen 算子，快速补齐 CPU/GPU 算子功能。目前为 实验特性，仅在该模型 受限使用

注：op_plugin使用教程请参考op_plugin CPU 算子开发指南

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

TextEncoder下载

• llava-llama-3-8b
• clip-vit-large

HunyuanVideoDiT与VAE下载

• tencent/HunyuanVideo
• tencent/HunyuanVideo-I2V 下载后的权重结构分别如下

HunyuanVideo
  ├──README.md
  ├──hunyuan-video-t2v-720p
  │  ├──transformers
  │  │  ├──mp_rank_00_model_states.pt
  │  ├──vae
  │  │  ├──config.json
  │  │  ├──pytorch_model.pt

  HunyuanVideo-I2V
    ├──README.md
    ├──hunyuan-video-i2v-720p
    │  ├──transformers
    │  │  ├──mp_rank_00_model_states.pt
    │  ├──vae
    │  ├──lora
    │  │  ├──embrace_kohaya_weights.safetensors
    │  │  ├──hair_growth_kohaya_weights.safetensors

其中HunyuanVideo/hunyuan-video-t2v-720p/transformers和HunyuanVideo-I2V/hunyuan-video-i2v-720p/transformers是transformer部分的权重，HunyuanVideo/hunyuan-video-t2v-720p/vae和HunyuanVideo-I2V/hunyuan-video-i2v-720p/vae是VAE部分的权重，HunyuanVideo-I2V/hunyuan-video-i2v-720p/lora是lora权重

权重转换

T2V任务需要对llava-llama3-8b模型进行权重转换，运行权重转换脚本：

mm-convert HunyuanVideoConverter --version t2v t2v_text_encoder \
 --cfg.source_path <llava-llama-3-8b> \
 --cfg.target_path <llava-llama-3-8b-text-encoder-tokenizer> \

需要分别对hunyuanvideo-t2v和i2v的transformer部分进行权重转换，运行权重转换脚本：

mm-convert HunyuanVideoConverter --version t2v source_to_mm \
 --cfg.source_path <hunyuan-video-t2v-720p/transformers/mp_rank_00/model_states.pt> \
 --cfg.target_path <./ckpt/hunyuanvideo> \
 --cfg.target_parallel_config.tp_size=<tp_size>

mm-convert HunyuanVideoConverter --version i2v source_to_mm \
 --cfg.source_path <hunyuan-video-i2v-720p/transformers/mp_rank_00/model_states.pt> \
 --cfg.target_path <./ckpt/hunyuanvideo> \

需要对hunyuanvideo-i2v的lora权重转换，运行权重转换脚本：

mm-convert HunyuanVideoConverter --version i2v-lora source_to_mm \
 --cfg.source_path <hunyuan-video-i2v-720p/lora/embrace_kohaya_weights.safetensors> \
 --cfg.target_path <./ckpt/hunyuanvideo-i2v-lora>

权重转换脚本的参数说明如下：

参数	含义	默认值
--version	不同的任务	支持t2v, i2v, i2v-lora， 默认为t2v
--cfg.source_path	原始权重路径	/
--cfg.target_path	转换后的权重保存路径	/
--cfg.target_parallel_config.tp_size	按tp size对权重进行切分	1

---

预训练

数据预处理

将数据处理成如下格式

</data/hunyuanvideo/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": 93,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 848
        }
    },
    {
        "path": "videos/video0002.mp4",
        "cap": "Video discrimination2.",
        "num_frames": 93,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 848
        }
    },
    ......
]

修改examples/mindspore/hunyuanvideo/feature_extract/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、模型权重下载已完成。

参数配置

检查模型权重路径、并行参数配置等是否完成

配置文件	修改字段	修改说明
examples/mindspore/hunyuanvideo/{task_name}/feature_data.json	basic_parameters	数据集路径，data_path和data_folder分别配置提取后的特征的文件路径和目录
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	NPUS_PER_NODE	每个节点的卡数
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	NNODES	节点数量
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	LOAD_PATH	权重转换后的预训练权重路径
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	SAVE_PATH	训练过程中保存的权重路径
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	TP	训练时的TP size（建议根据训练时设定的分辨率调整）
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	CP	训练时的CP size（建议根据训练时设定的分辨率调整）
examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh	--sequence-parallel	使能TP-SP，默认开启

【并行化配置参数说明】：

当调整模型参数或者视频序列长度时，需要根据实际情况启用以下并行策略，并通过调试确定最优并行策略。

• CP: 序列并行，当前支持Ulysses，RingAttention 和USP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；
    • 默认为Ulysses序列并行
    • 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
  • 限制条件：
    • 使用Ulysses序列并行时，head 数量需要能够被TP*CP整除（在examples/mindspore/hunyuanvideo/{task_name}/model_hunyuanvideo.json中配置，默认为24）
    • 使用RingAttention或者USP序列并行时，CP不能大于单个计算节点上的NPU数量NPUS_PER_NODE

• TP: 张量模型并行

  • 使用场景：模型参数规模较大时，单卡上无法承载完整的模型，通过开启TP可以降低静态内存和运行时内存。

  • 使能方式：在启动脚本中设置 TP > 1，如：TP=8

  • 限制条件：head 数量需要能够被TP*CP整除（在examples/mindspore/hunyuanvideo/{task_name}/model_hunyuanvideo.json中配置，默认为24）

• TP-SP

  • 使用场景：在张量模型并行的基础上，进一步对 LayerNorm 和 Dropout 模块的序列维度进行切分，以降低动态内存。

  • 使能方式：在 GPT_ARGS 设置 --sequence-parallel

  • 使用建议：建议在开启TP时同步开启该设置

• 选择性重计算 + FA激活值offload

  • 如果显存比较充裕，可以开启选择性重计算（FA不进行重计算）以提高吞吐，建议同步开启FA激活值offload，将FA的激活值异步卸载至CPU

  • 在examples/mindspore/hunyuanvideo/{task_name}/model_hunyuanvideo.json中，attention_async_offload表示是否开启FA激活值offload，默认开启

  • 在examples/mindspore/hunyuanvideo/{task_name}/model_hunyuanvideo.json中，double_stream_full_recompute_layers和single_stream_full_recompute_layers表示该模型的double_stream_block和single_stream_block进行全重计算的层数，可以逐步减小这两个参数，直至显存打满

⚠️hunyuanvideo i2v目前未适配CP与TPSP

启动训练

bash examples/mindspore/hunyuanvideo/{task_name}/pretrain_hunyuanvideo.sh

权重后处理

如果训练时TP>1，需要对训练得到的权重进行合并，合并后的权重才能用于推理，运行命令

mm-convert HunyuanVideoConverter --version t2v source_to_mm \
 --cfg.source_path <./save_ckpt/hunyuanvideo> \
 --cfg.target_path <./save_ckpt_merged/hunyuanvideo> \
 --cfg.target_parallel_config.tp_size=<target_tp_size>

I2V lora微调

准备工作

配置脚本前请确认环境准备已完成。

权重转换

需要对hunyuanvideo-i2v的transformer部分进行权重转换，运行权重转换脚本：

mm-convert HunyuanVideoConverter --version i2v source_to_mm \
 --cfg.source_path <hunyuan-video-i2v-720p/transformers/mp_rank_00/model_states.pt> \
 --cfg.target_path <./ckpt/hunyuanvideo> \

配置参数

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（examples/mindspore/hunyuanvideo/i2v/pretrain_hunyuanvideo_lora.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="./ckpt/hunyuanvideo-i2v",其中./ckpt/hunyuanvideo-i2v为转换后的权重的实际路径。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。

启动lora微调

bash examples/mindspore/hunyuanvideo/i2v/pretrain_hunyuanvideo_lora.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 HunyuanVideoConverter --version i2v merge_lora_to_base \
 --cfg.source_path <'converted_transformer'>
 --cfg.target_path <'merged_weight_dir'>
 --cfg.lora_path <'converterd_lora_dir'>
 --lora-alpha 64 \
 --lora-rank 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）