Wan2.2-TI2V-5B视频生成模型本地部署与使用指南

【免费下载链接】Wan2.2-TI2V-5B Wan2.2-TI2V-5B是一款开源的先进视频生成模型，基于创新的混合专家架构（MoE）设计，显著提升了视频生成的质量与效率。该模型支持文本生成视频和图像生成视频两种模 项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-TI2V-5B

模型概述

Wan2.2-TI2V-5B是一款先进的开源视频生成模型，采用创新的混合专家架构（MoE）设计，显著提升了视频生成的质量与效率。该模型支持文本生成视频和图像生成视频两种模式，能够在单张消费级GPU上实现720P@24fps的高质量视频生成。

硬件配置要求

在开始部署之前，请确保您的设备满足以下最低硬件要求：

• GPU：至少24GB显存（例如NVIDIA RTX 4090）
• 内存：建议32GB及以上
• 存储空间：模型文件较大，需预留至少20GB的存储空间

环境准备

软件依赖

• Python 3.8或更高版本
• CUDA 11.7或更高版本
• PyTorch 2.4.0或更高版本

模型获取

下载方式一：使用Hugging Face下载

pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B --local-dir ./Wan2.2-TI2V-5B

下载方式二：使用ModelScope下载

pip install modelscope
modelscope download Wan-AI/Wan2.2-TI2V-5B --local_dir ./Wan2.2-TI2V-5B

项目结构说明

下载完成后，您将获得以下主要文件：

• Wan2.2_VAE.pth：高性能视频编码器模型
• models_t5_umt5-xxl-enc-bf16.pth：文本编码器模型
• diffusion_pytorch_model-*.safetensors：扩散模型权重文件
• config.json：模型配置文件
• assets/：包含模型架构图和性能对比图的资源文件夹

核心技术特性

混合专家架构（MoE）

Wan2.2引入了混合专家架构到视频生成扩散模型中。该架构采用双专家设计：高噪声专家负责早期去噪阶段，关注整体布局；低噪声专家负责后期去噪阶段，细化视频细节。每个专家模型约有140亿参数，但每步只有140亿活跃参数，保持推理计算和GPU内存几乎不变。

高效高压缩率视频生成

TI2V-5B模型采用高压缩率的Wan2.2-VAE，实现了4×16×16的压缩比，总体压缩率达到64。通过额外的分块层，TI2V-5B的总压缩比达到4×32×32，能够在单张消费级GPU上在9分钟内生成5秒的720P视频。

快速开始

文本到视频生成

python generate.py --task ti2v-5B --size 1280*704 --ckpt_dir ./Wan2.2-TI2V-5B --offload_model True --convert_model_dtype --t5_cpu --prompt "两只穿着舒适拳击装备和鲜艳手套的拟人化猫在聚光灯下的舞台上激烈搏斗"

图像到视频生成

python generate.py --task ti2v-5B --size 1280*704 --ckpt_dir ./Wan2.2-TI2V-5B --offload_model True --convert_model_dtype --t5_cpu --image examples/i2v_input.JPG --prompt "夏季海滩度假风格，一只戴着太阳镜的白猫坐在冲浪板上。毛茸茸的猫咪带着放松的表情直视镜头。模糊的海滩景色构成背景，以清澈的海水、远处的绿色山丘和点缀着白云的蓝天为特色。猫咪呈现自然放松的姿态，仿佛在享受海风和温暖的阳光。特写镜头突出了猫咪的精致细节和海边的清新氛围"

参数详解

• --task ti2v-5B：指定任务类型为文本图像到视频
• --size 1280*704：设置生成视频的分辨率为1280x704（720P）
• --ckpt_dir ./Wan2.2-TI2V-5B：指定模型文件的本地路径
• --offload_model True：启用模型卸载功能，减少显存占用
• --convert_model_dtype：转换模型参数类型以优化性能
• --t5_cpu：将T5模型加载到CPU上，进一步节省显存
• --prompt：输入生成视频的文本描述

性能表现

Wan2.2-TI2V-5B模型在多项评估指标上表现出色，与业界领先的闭源商业模型相比具有竞争优势。

多GPU推理

对于拥有多GPU的用户，可以使用FSDP + DeepSpeed Ulysses进行分布式推理：

torchrun --nproc_per_node=8 generate.py --task ti2v-5B --size 1280*704 --ckpt_dir ./Wan2.2-TI2V-5B --dit_fsdp --t5_fsdp --ulysses_size 8 --image examples/i2v_input.JPG --prompt "夏季海滩度假风格描述"

计算效率对比

模型在不同GPU上的计算效率表现优异，具体测试结果如下：

使用技巧

提示词优化

• 使用具体、生动的描述性语言
• 包含场景、动作、情感等细节
• 可以结合美学标签如光照、构图、对比度等

分辨率设置

• 720P分辨率应设置为1280704或7041280
• 图像到视频任务中，size参数代表生成视频的区域，宽高比遵循原始输入图像的宽高比

常见问题解决

显存不足问题

如果运行时提示显存不足，请确保启用--offload_model True和--t5_cpu选项，或升级到更高显存的GPU。

生成质量优化

如果生成的视频质量不理想，可以尝试：

• 优化文本描述，确保描述清晰具体
• 调整分辨率设置
• 检查输入图像质量

运行速度提升

如果生成视频耗时过长，可以在拥有至少80GB显存的GPU上移除--offload_model True、--convert_model_dtype和--t5_cpu选项来加速执行。

模型优势总结

1. 高质量视频生成：支持720P@24fps的高清视频生成
2. 高效压缩：采用高压缩率VAE，显著减少存储和计算需求
3. 灵活的任务支持：同时支持文本到视频和图像到视频两种模式
4. 优异的性能表现：在多项评估指标上超越业界领先模型

通过本指南，您可以顺利完成Wan2.2-TI2V-5B模型的本地部署和首次推理任务。该模型的开源特性为学术研究和工业应用提供了强大的技术支持。

【免费下载链接】Wan2.2-TI2V-5B Wan2.2-TI2V-5B是一款开源的先进视频生成模型，基于创新的混合专家架构（MoE）设计，显著提升了视频生成的质量与效率。该模型支持文本生成视频和图像生成视频两种模 项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-TI2V-5B