[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alibaba--animate-anything":3,"tool-alibaba--animate-anything":62},[4,18,26,35,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":113,"github_topics":114,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":151},3305,"alibaba\u002Fanimate-anything","animate-anything","Fine-Grained Open Domain Image Animation with Motion Guidance","animate-anything 是一款专注于细粒度开放域图像动画生成的 AI 工具。它能让静态图片“活”起来，用户只需提供一张原图、一个简单的运动掩码（Mask）以及一段文字描述，就能生成符合预期动作的动态视频。例如，让芭比娃娃微笑注视镜头、使斗篷在风中飘动，或是让鱼儿在水中游弋。\n\n这项技术主要解决了传统图像动画化过程中控制精度不足的问题。以往的工具往往难以精准指定画面中特定区域的运动方式，而 animate-anything 通过引入“运动引导”机制，实现了对物体局部动态的精细化控制，同时保持了背景和其他元素的自然稳定，极大地提升了生成视频的真实感和可控性。\n\n该工具非常适合研究人员探索视频生成前沿技术，也适合开发者进行二次开发或集成应用。对于设计师和创意工作者而言，它能快速将概念草图转化为动态演示，提升创作效率。虽然普通用户也能通过部署体验其功能，但目前更偏向于具备一定技术基础的使用者。\n\n其技术亮点在于基于扩散模型架构，支持从单张 RGBA 透明图像生成透明动态视频，并兼容 LoRA 微调以降低训练成本。此外，项目持续迭代，已支持多显卡加速训练及基于 SVD 模型的优化版本，","animate-anything 是一款专注于细粒度开放域图像动画生成的 AI 工具。它能让静态图片“活”起来，用户只需提供一张原图、一个简单的运动掩码（Mask）以及一段文字描述，就能生成符合预期动作的动态视频。例如，让芭比娃娃微笑注视镜头、使斗篷在风中飘动，或是让鱼儿在水中游弋。\n\n这项技术主要解决了传统图像动画化过程中控制精度不足的问题。以往的工具往往难以精准指定画面中特定区域的运动方式，而 animate-anything 通过引入“运动引导”机制，实现了对物体局部动态的精细化控制，同时保持了背景和其他元素的自然稳定，极大地提升了生成视频的真实感和可控性。\n\n该工具非常适合研究人员探索视频生成前沿技术，也适合开发者进行二次开发或集成应用。对于设计师和创意工作者而言，它能快速将概念草图转化为动态演示，提升创作效率。虽然普通用户也能通过部署体验其功能，但目前更偏向于具备一定技术基础的使用者。\n\n其技术亮点在于基于扩散模型架构，支持从单张 RGBA 透明图像生成透明动态视频，并兼容 LoRA 微调以降低训练成本。此外，项目持续迭代，已支持多显卡加速训练及基于 SVD 模型的优化版本，为高质量视频生成提供了灵活的技术路径。","\u003Cdiv align=\"center\">\n\u003Ch2>\u003Ccenter>👉 AnimateAnything: Fine Grained Open Domain Image Animation with Motion Guidance\u003C\u002Fh2>\n\n[Zuozhuo Dai](), [Zhenghao Zhang](), [Menghao Li](), [Junchao Liao](), [Siyu Zhu](), [Long Qin](), [Weizhi Wang]()\n\n\u003Ca href='https:\u002F\u002Farxiv.org\u002Fabs\u002F2311.12886'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FArXiv-2311.12886-red'>\u003C\u002Fa> \n\u003Ca href='https:\u002F\u002Fanimationai.github.io\u002FAnimateAnything\u002F'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-Page-Blue'>\u003C\u002Fa>  ![views](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_798a75744608.png)\n\u003C!-- views since 24.04 -->\n\u003C\u002Fdiv>\n\n## Friendship Link 🔥\n- We are excited to announce the open-source release of our latest work: [Tora: Trajectory-oriented Diffusion Transformer for Video Generation](https:\u002F\u002Fgithub.com\u002Falibaba\u002FTora). It is the first trajectory-oriented DiT framework that concurrently integrates textual, visual, and trajectory conditions for video generation.\n\n## Showcases\n\nhttps:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fassets\u002F1107525\u002Fe2659674-c813-402a-8a85-e620f0a6a454\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth>Input Image with Mask\u003C\u002Fth>\n    \u003Cth>Prompt\u003C\u002Fth>\n    \u003Cth>Result\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_35d40dbda08c.png\" alt=\"Input image\" width=\"180\" height=\"170\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    Barbie watching the camera with a smiling face.\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f35f34485725.gif\" alt=\"Result\" width=\"180\" height=\"170\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_305ea75145a1.png\" alt=\"Input image\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    The cloak swaying in the wind.\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_ad7a1d4b26e2.gif\" alt=\"Result\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_0dfe78cd7521.png\" alt=\"Input image\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    A red fish is swimming.\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_37006f7b3b2a.gif\" alt=\"Result\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C!-- | Reference Image  | Motion Mask | GIF |\n| ------------- | ------------- | -------- |\n| ![Input image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_8dbeb2e9b3b6.jpg)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_cf50f78c4916.png) | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_595021ebc939.gif) The fish and tadpoles are playing.| -->\n\n## Framework\n![framework](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f276b19a0bdc.png)\n\n## News 🔥\n**2024.2.5**: Support multiple GPUs training with Accelerator DeepSpeed. Config DeepSpeed zero_stage 2 and offload_optimizer_device cpu, you can do full finetuning animate-anything with 4x16G V100 GPUs and SVD with 4x24G A10 GPUs now.\n\n**2023.12.27**: Support finetuning based on SVD (stable video diffusion) model. Update SVD based animate_anything_svd_v1.0\n\n**2023.12.18**: Update model to animate_anything_512_v1.02\n\n## Features Planned\n- 💥 Transparent video generatinon. (Take a RGBA image as input and output animated RGBA videos)\n  - ✅ reproduce Transparent VAE encoder and decoder according to [LayerDiffuse](https:\u002F\u002Fgithub.com\u002Flayerdiffusion\u002Fsd-forge-layerdiffuse).\n  - ✅ finetune 3D-Unet to support the basic RGBA-image-to-RGBA-video capability.\n- 💥 Enhanced prompt-following: generating long-detailed captions using LLaVA.\n- 💥 Replace the U-Net with DiffusionTransformer (DiT) as the base model.\n- 💥 Variable resolutions and aspect ratios.\n- 💥 Support Huggingface Demo \u002F Google Colab.\n  - ✅ support svd video2video Google Colab demo. See colab.ipynb.\n-  ✅ Support LoRA finetuning.\n- etc.\n\n## Getting Started\nThis repository is based on [Text-To-Video-Finetuning](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FText-To-Video-Finetuning.git).\n\n### Create Conda Environment (Optional)\nIt is recommended to install Anaconda.\n\n**Windows Installation:** https:\u002F\u002Fdocs.anaconda.com\u002Fanaconda\u002Finstall\u002Fwindows\u002F\n\n**Linux Installation:** https:\u002F\u002Fdocs.anaconda.com\u002Fanaconda\u002Finstall\u002Flinux\u002F\n\n```bash\nconda create -n animation python=3.10\nconda activate animation\n```\n\n### Python Requirements\n```bash\npip install -r requirements.txt\n```\n\n## Running inference\nPlease download the [pretrained model](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_512_v1.02.tar) to output\u002Flatent, then run the following command. Please replace the {download_model} to your download model name:\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fbarbie2.jpg validation_data.prompt='A cartoon girl is talking.'\n```\n\nTo control the motion area, we can use the labelme to generate a binary mask. First, we use labelme to draw the polygon for the reference image.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_87cd8921bafb.png)\n\nThen we run the following command to transform the labelme json file to a mask.\n\n```bash\nlabelme_json_to_dataset qingming2.json\n```\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_c06ccf1edca3.jpg)\n\nThen run the following command for inference:\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='Peoples are walking on the street.' validation_data.mask=example\u002Fqingming2_label.jpg \n```\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f1d646225e6c.gif)\n\n\nUser can adjust the motion strength by using the mask motion model:\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002F\nconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='Peoples are walking on the street.' validation_data.mask=example\u002Fqingming2_label.jpg validation_data.strength=5\n```\n## Video super resolution\nThe model output low res videos, you can use video super resolution model to output high res videos.  For example, we can use [Real-CUGAN](https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGANfor) cartoon style video super resolution:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab.git\ncd ailab\u002FReal-CUGAN\npython inference_video.py\n```\n\n## Training\n\n### Using Captions\n\nYou can use caption files when training with video. Simply place the videos into a folder and create a json with captions like this:\n\n```\n[\n      {\"caption\": \"Cute monster character flat design animation video\", \"video\": \"000001_000050\u002F1066697179.mp4\"}, \n      {\"caption\": \"Landscape of the cherry blossom\", \"video\": \"000001_000050\u002F1066688836.mp4\"}\n]\n\n```\nThen in your config, make sure to set dataset_types to video_json and set the video_dir and video json path like this:\n```\n  - dataset_types: \n      - video_json\n    train_data:\n      video_dir: '\u002Fwebvid\u002Fwebvid\u002Fdata\u002Fvideos'\n      video_json: '\u002Fwebvid\u002Fwebvid\u002Fdata\u002F40K.json'\n```\n### Process Automatically\n\nYou can automatically caption the videos using the [Video-BLIP2-Preprocessor Script](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FVideo-BLIP2-Preprocessor) and set the dataset_types and json_path like this:\n```\n  - dataset_types: \n      - video_blip\n    train_data:\n      json_path: 'blip_generated.json'\n```\n\n### Configuration\n\nThe configuration uses a YAML config borrowed from [Tune-A-Video](https:\u002F\u002Fgithub.com\u002Fshowlab\u002FTune-A-Video) repositories. \n\nAll configuration details are placed in `example\u002Ftrain_mask_motion.yaml`. Each parameter has a definition for what it does.\n\n\n### Finetuning anymate-anything\nYou can finetune anymate-anything with text, motion mask, motion strength guidance on your own dataset. The following config requires around 30G GPU RAM. You can reduce the train_batch_size, train_data.width, train_data.height, and n_sample_frames in the config to reduce GPU RAM:\n```\npython train.py --config example\u002Ftrain_mask_motion.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\nWe also support lora finetuning:\n```\npython train_lora.py --config example\u002Ftrain_mask_motion_lora.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n### Finetune Stable Video Diffusion:\nStable Video Diffusion (SVD) img2vid model can generate high resolution videos. However, it does not have the text or motion mask control. You can finetune SVD with motioin mask guidance with the following commands and [pretrained SVD model](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_svd_v1.0.tar). This config requires around 80G GPU RAM.\n```\npython train_svd.py --config example\u002Ftrain_svd_mask.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\nIf you only want to finetune SVD on your own dataset without motion mask control, please use the following config:\n```\npython train_svd.py --config example\u002Ftrain_svd.yaml pretrained_model_path=\u003Csvd_model>\n```\n\n### Multiple GPUs training\nI strongly recommend use multiple GPUs training with Accelerator, which will largely decrease the VRAM requirement. Please first config the accelerator with deepspeed. An example config is located in example\u002Fdeepspeed.yaml.\n\nAnd then replace 'python train_xx.py ...' commands above with 'accelerate launch train_xx.py ...', for example:\n```\naccelerate launch --config_file example\u002Fdeepspeed.yaml train_svd.py --config example\u002Ftrain_svd_mask.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n### SVD video2video\nWe now release the finetuned vid2vid SVD model, you can try it via the gradio UI.\n\nPlease download the [vid2vid_SVD model](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_svd_v1.01.tar) and extract it to output\u002Fsvd\u002F{download_model} and then run the command:\n```\npython app_svd.py --config example\u002Ftrain_svd_v2v.yaml pretrained_model_path=output\u002Fsvd\u002F{download_model}\n```\n\nWe provide several examples in the svd_video2video_examples directory.\n\n## Bibtex\nPlease cite this paper if you find the code is useful for your research:\n```\n@misc{dai2023animateanything,\n      title={AnimateAnything: Fine-Grained Open Domain Image Animation with Motion Guidance}, \n      author={Zuozhuo Dai and Zhenghao Zhang and Yao Yao and Bingxue Qiu and Siyu Zhu and Long Qin and Weizhi Wang},\n      year={2023},\n      eprint={2311.12886},\n      archivePrefix={arXiv},\n      primaryClass={cs.CV}\n}\n```\n## Shoutouts\n\n- [Text-To-Video-Finetuning](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FText-To-Video-Finetuning.git)\n- [Showlab](https:\u002F\u002Fgithub.com\u002Fshowlab\u002FTune-A-Video) and bryandlee[https:\u002F\u002Fgithub.com\u002Fbryandlee\u002FTune-A-Video] for their Tune-A-Video contribution that made this much easier.\n- [lucidrains](https:\u002F\u002Fgithub.com\u002Flucidrains) for their implementations around video diffusion.\n- [cloneofsimo](https:\u002F\u002Fgithub.com\u002Fcloneofsimo) for their diffusers implementation of LoRA.\n- [kabachuha](https:\u002F\u002Fgithub.com\u002Fkabachuha) for their conversion scripts, training ideas, and webui works.\n- [JCBrouwer](https:\u002F\u002Fgithub.com\u002FJCBrouwer) Inference implementations.\n- [sergiobr](https:\u002F\u002Fgithub.com\u002Fsergiobr) Helpful ideas and bug fixes.\n","\u003Cdiv align=\"center\">\n\u003Ch2>\u003Ccenter>👉 AnimateAnything：基于运动引导的细粒度开放域图像动画\u003C\u002Fh2>\n\n[戴作卓](), [张正浩](), [李梦豪](), [廖俊超](), [朱思宇](), [秦龙](), [王伟志]()\n\n\u003Ca href='https:\u002F\u002Farxiv.org\u002Fabs\u002F2311.12886'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FArXiv-2311.12886-red'>\u003C\u002Fa> \n\u003Ca href='https:\u002F\u002Fanimationai.github.io\u002FAnimateAnything\u002F'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-Page-Blue'>\u003C\u002Fa>  ![views](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_798a75744608.png)\n\u003C!-- views since 24.04 -->\n\u003C\u002Fdiv>\n\n## 友情链接 🔥\n- 我们很高兴地宣布开源发布我们的最新成果：[Tora：面向轨迹的视频生成扩散Transformer](https:\u002F\u002Fgithub.com\u002Falibaba\u002FTora)。这是首个同时融合文本、视觉和轨迹条件的面向轨迹的DiT框架，用于视频生成。\n\n## 展示案例\n\nhttps:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fassets\u002F1107525\u002Fe2659674-c813-402a-8a85-e620f0a6a454\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth>带掩码的输入图像\u003C\u002Fth>\n    \u003Cth>提示词\u003C\u002Fth>\n    \u003Cth>结果\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_35d40dbda08c.png\" alt=\"Input image\" width=\"180\" height=\"170\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    芭比娃娃面带微笑地看着镜头。\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f35f34485725.gif\" alt=\"Result\" width=\"180\" height=\"170\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_305ea75145a1.png\" alt=\"Input image\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    斗篷在风中飘动。\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_ad7a1d4b26e2.gif\" alt=\"Result\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_0dfe78cd7521.png\" alt=\"Input image\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\n    一条红鱼正在游动。\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_37006f7b3b2a.gif\" alt=\"Result\" width=\"180\" height=\"180\" \u002F>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C!-- | Reference Image  | Motion Mask | GIF |\n| ------------- | ------------- | -------- |\n| ![Input image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_8dbeb2e9b3b6.jpg)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_cf50f78c4916.png) | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_595021ebc939.gif) The fish and tadpoles are playing.| -->\n\n## 框架\n![framework](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f276b19a0bdc.png)\n\n## 新闻 🔥\n**2024.2.5**: 支持使用Accelerator DeepSpeed进行多GPU训练。配置DeepSpeed zero_stage 2并启用offload_optimizer_device cpu后，现在可以使用4块16G V100显卡对animate-anything进行全量微调，而SVD则可使用4块24G A10显卡完成微调。\n\n**2023.12.27**: 支持基于SVD（稳定视频扩散模型）的微调。更新了基于SVD的animate_anything_svd_v1.0版本。\n\n**2023.12.18**: 将模型更新为animate_anything_512_v1.02。\n\n## 计划中的功能\n- 💥 透明视频生成。（以RGBA图像作为输入，输出动画RGBA视频）\n  - ✅ 根据[LayerDiffuse](https:\u002F\u002Fgithub.com\u002Flayerdiffusion\u002Fsd-forge-layerdiffuse)复现透明VAE编码器和解码器。\n  - ✅ 对3D-Unet进行微调，以支持基本的RGBA图像到RGBA视频的能力。\n- 💥 增强的提示词跟随：利用LLaVA生成长而详细的描述文字。\n- 💥 将U-Net替换为扩散Transformer（DiT）作为基础模型。\n- 💥 支持不同分辨率和宽高比。\n- 💥 支持Huggingface Demo \u002F Google Colab。\n  - ✅ 支持svd video2video Google Colab演示。详见colab.ipynb。\n- ✅ 支持LoRA微调。\n- 等等。\n\n## 快速入门\n本仓库基于[Text-To-Video-Finetuning](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FText-To-Video-Finetuning.git)。\n\n### 创建Conda环境（可选）\n建议安装Anaconda。\n\n**Windows安装:** https:\u002F\u002Fdocs.anaconda.com\u002Fanaconda\u002Finstall\u002Fwindows\u002F\n\n**Linux安装:** https:\u002F\u002Fdocs.anaconda.com\u002Fanaconda\u002Finstall\u002Flinux\u002F\n\n```bash\nconda create -n animation python=3.10\nconda activate animation\n```\n\n### Python依赖\n```bash\npip install -r requirements.txt\n```\n\n## 运行推理\n请下载[预训练模型](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_512_v1.02.tar)至output\u002Flatent目录，然后运行以下命令。请将{download_model}替换为你下载的模型名称：\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fbarbie2.jpg validation_data.prompt='一个卡通女孩正在说话。'\n```\n\n为了控制运动区域，我们可以使用labelme生成二值掩码。首先，我们用labelme为参考图像绘制多边形。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_87cd8921bafb.png)\n\n然后运行以下命令将labelme json文件转换为掩码。\n\n```bash\nlabelme_json_to_dataset qingming2.json\n```\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_c06ccf1edca3.jpg)\n\n接着运行以下命令进行推理：\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='人们正在街上行走。' validation_data.mask=example\u002Fqingming2_label.jpg \n```\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_readme_f1d646225e6c.gif)\n\n\n用户可以通过调整掩码运动强度来控制运动力度：\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002F\nconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='人们正在街上行走。' validation_data.mask=example\u002Fqingming2_label.jpg validation_data.strength=5\n```\n## 视频超分辨率\n该模型输出的是低分辨率视频，你可以使用视频超分辨率模型将其提升至高分辨率。例如，我们可以使用[Bilibili的Real-CUGAN](https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGANfor)来进行卡通风格的视频超分辨率：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab.git\ncd ailab\u002FReal-CUGAN\npython inference_video.py\n```\n\n## 训练\n\n### 使用字幕\n\n在使用视频进行训练时，可以使用字幕文件。只需将视频放入一个文件夹，并创建如下格式的字幕json文件：\n\n```\n[\n      {\"caption\": \"可爱怪物角色平面设计动画视频\", \"video\": \"000001_000050\u002F1066697179.mp4\"}, \n      {\"caption\": \"樱花风景\", \"video\": \"000001_000050\u002F1066688836.mp4\"}\n]\n\n```\n然后在你的配置文件中，确保将dataset_types设置为video_json，并设置video_dir和video json路径如下：\n```\n  - dataset_types: \n      - video_json\n    train_data:\n      video_dir: '\u002Fwebvid\u002Fwebvid\u002Fdata\u002Fvideos'\n      video_json: '\u002Fwebvid\u002Fwebvid\u002Fdata\u002F40K.json'\n```\n\n### 自动处理\n\n你可以使用[Video-BLIP2-预处理器脚本](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FVideo-BLIP2-Preprocessor)自动为视频添加字幕，并将dataset_types和json_path设置如下：\n```\n  - dataset_types: \n      - video_blip\n    train_data:\n      json_path: 'blip_generated.json'\n```\n\n### 配置\n\n配置采用从[Tune-A-Video](https:\u002F\u002Fgithub.com\u002Fshowlab\u002FTune-A-Video)仓库借用的YAML配置文件。\n\n所有配置细节均放在`example\u002Ftrain_mask_motion.yaml`中。每个参数都对其作用进行了说明。\n\n### 微调 anymate-anything\n您可以在自己的数据集上，结合文本、运动掩码和运动强度引导来微调 anymate-anything。以下配置大约需要 30G 显存。您可以通过减小配置中的 train_batch_size、train_data.width、train_data.height 和 n_sample_frames 来降低显存需求：\n```\npython train.py --config example\u002Ftrain_mask_motion.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n我们还支持 LoRA 微调：\n```\npython train_lora.py --config example\u002Ftrain_mask_motion_lora.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n### 微调 Stable Video Diffusion：\nStable Video Diffusion (SVD) 的 img2vid 模型可以生成高分辨率视频。然而，它缺乏文本或运动掩码控制。您可以通过以下命令，并使用 [预训练的 SVD 模型](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_svd_v1.0.tar)，结合运动掩码引导对 SVD 进行微调。该配置大约需要 80G 显存。\n```\npython train_svd.py --config example\u002Ftrain_svd_mask.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n如果您只想在自己的数据集上微调 SVD，而不需要运动掩码控制，请使用以下配置：\n```\npython train_svd.py --config example\u002Ftrain_svd.yaml pretrained_model_path=\u003Csvd_model>\n```\n\n### 多 GPU 训练\n强烈建议使用 Accelerator 进行多 GPU 训练，这将大大降低显存需求。请先使用 DeepSpeed 配置 Accelerator。示例配置位于 example\u002Fdeepspeed.yaml。\n\n然后将上述的 'python train_xx.py ...' 命令替换为 'accelerate launch train_xx.py ...'，例如：\n```\naccelerate launch --config_file example\u002Fdeepspeed.yaml train_svd.py --config example\u002Ftrain_svd_mask.yaml pretrained_model_path=\u003Cdownload_model>\n```\n\n### SVD 视频到视频\n我们现在发布了微调后的 vid2vid SVD 模型，您可以通过 Gradio 界面进行体验。\n\n请下载 [vid2vid_SVD 模型](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_svd_v1.01.tar)，将其解压到 output\u002Fsvd\u002F{download_model} 目录下，然后运行以下命令：\n```\npython app_svd.py --config example\u002Ftrain_svd_v2v.yaml pretrained_model_path=output\u002Fsvd\u002F{download_model}\n```\n\n我们在 svd_video2video_examples 目录中提供了若干示例。\n\n## Bibtex\n如果您发现本代码对您的研究有所帮助，请引用以下论文：\n```\n@misc{dai2023animateanything,\n      title={AnimateAnything: Fine-Grained Open Domain Image Animation with Motion Guidance}, \n      author={Zuozhuo Dai and Zhenghao Zhang and Yao Yao and Bingxue Qiu and Siyu Zhu and Long Qin and Weizhi Wang},\n      year={2023},\n      eprint={2311.12886},\n      archivePrefix={arXiv},\n      primaryClass={cs.CV}\n}\n```\n\n## 致谢\n\n- [Text-To-Video-Finetuning](https:\u002F\u002Fgithub.com\u002FExponentialML\u002FText-To-Video-Finetuning.git)\n- [Showlab](https:\u002F\u002Fgithub.com\u002Fshowlab\u002FTune-A-Video) 和 bryandlee[https:\u002F\u002Fgithub.com\u002Fbryandlee\u002FTune-A-Video] 对 Tune-A-Video 的贡献，使得这一切变得更加容易。\n- [lucidrains](https:\u002F\u002Fgithub.com\u002Flucidrains) 在视频扩散方面的实现。\n- [cloneofsimo](https:\u002F\u002Fgithub.com\u002Fcloneofsimo) 对 LoRA 的 Diffusers 实现。\n- [kabachuha](https:\u002F\u002Fgithub.com\u002Fkabachuha) 提供的转换脚本、训练思路以及 WebUI 工作。\n- [JCBrouwer](https:\u002F\u002Fgithub.com\u002FJCBrouwer) 的推理实现。\n- [sergiobr](https:\u002F\u002Fgithub.com\u002Fsergiobr) 提供的有益想法和错误修复。","# AnimateAnything 快速上手指南\n\nAnimateAnything 是一个支持细粒度开放域图像动画生成的开源工具，可通过文本提示和运动掩码（Motion Mask）控制图像中特定区域的动态效果。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux 或 Windows\n- **Python 版本**: 3.10\n- **GPU**: 推荐 NVIDIA GPU（显存需求视训练\u002F微调模式而定，推理模式通常需 16GB+）\n- **依赖管理**: 推荐安装 Anaconda 或 Miniconda\n\n### 前置依赖\n确保已安装 Git 和 CUDA 驱动（如需 GPU 加速）。\n\n## 安装步骤\n\n### 1. 创建 Conda 环境\n```bash\nconda create -n animation python=3.10\nconda activate animation\n```\n\n### 2. 安装 Python 依赖\n克隆仓库后进入目录，安装所需包：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything.git\ncd animate-anything\npip install -r requirements.txt\n```\n> **提示**: 国内用户可使用清华源加速安装：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 3. 下载预训练模型\n下载基础模型 `animate_anything_512_v1.02.tar` 并解压至 `output\u002Flatent` 目录：\n- **下载地址**: [阿里云 OSS](https:\u002F\u002Fcloudbook-public-production.oss-cn-shanghai.aliyuncs.com\u002Fanimation\u002Fanimate_anything_512_v1.02.tar)\n\n## 基本使用\n\n### 1. 基础推理（无掩码）\n将图片路径和提示词替换为实际内容，运行以下命令生成动画：\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fbarbie2.jpg validation_data.prompt='A cartoon girl is talking.'\n```\n*注：请将 `{download_model}` 替换为实际下载的模型文件夹名称。*\n\n### 2. 指定运动区域（使用掩码）\n若需控制特定区域运动（如仅让斗篷飘动），需先制作二值掩码：\n\n**步骤 A: 制作掩码**\n使用 [LabelMe](https:\u002F\u002Fgithub.com\u002Fwkentaro\u002Flabelme) 工具在参考图上绘制多边形区域，保存为 JSON 文件，然后转换为掩码图片：\n```bash\nlabelme_json_to_dataset qingming2.json\n```\n*生成的掩码文件通常位于 `qingming2_label.jpg`。*\n\n**步骤 B: 带掩码推理**\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='Peoples are walking on the street.' validation_data.mask=example\u002Fqingming2_label.jpg\n```\n\n### 3. 调整运动强度\n通过 `strength` 参数控制动作幅度（数值越大动作越剧烈）：\n```bash\npython train.py --config output\u002Flatent\u002F{download_model}\u002Fconfig.yaml --eval validation_data.prompt_image=example\u002Fqingming2.jpg validation_data.prompt='Peoples are walking on the street.' validation_data.mask=example\u002Fqingming2_label.jpg validation_data.strength=5\n```\n\n### 4. 视频超分辨率（可选）\n模型默认输出低分辨率视频，可使用 [Real-CUGAN](https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGAN) 进行高清化处理：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab.git\ncd ailab\u002FReal-CUGAN\npython inference_video.py\n```","某电商设计团队需要为促销海报中的静态商品图（如飘动的丝巾或游动的装饰鱼）制作动态素材，以提升页面点击率。\n\n### 没有 animate-anything 时\n- **局部动效难以实现**：传统视频生成模型往往让整张图片一起运动，无法精准控制仅让“丝巾”或“鱼”动起来，导致背景扭曲变形。\n- **依赖昂贵手动逐帧绘制**：设计师需使用 After Effects 等软件手动设置遮罩并逐帧调整，制作一个 3 秒的循环动画耗时数小时。\n- **动作与提示词对齐差**：即使使用其他 AI 工具，也常出现“让鱼游泳”却生成“鱼在原地抖动”的情况，难以理解复杂的自然语言指令。\n- **迭代成本极高**：一旦客户想修改动作幅度或方向，几乎需要推翻重来，严重拖慢营销活动的上线节奏。\n\n### 使用 animate-anything 后\n- **细粒度运动控制**：只需上传商品图并涂抹简单掩码（Mask），即可指定仅让特定区域（如丝巾下摆）产生符合物理规律的摆动，背景保持完美静止。\n- **自然语言驱动创作**：直接输入“丝巾在风中轻轻飘动”或“红鱼向前游动”，animate-anything 能精准捕捉语义，生成流畅且符合描述的动作序列。\n- **分钟级快速产出**：从上传图片到获得高清动态 GIF 仅需几分钟，设计师可将精力集中在创意构思而非繁琐的技术操作上。\n- **灵活微调与复用**：基于 SVD 模型的微调能力支持快速调整风格，同一张商品图可瞬间生成多种不同动态方案供客户选择。\n\nanimate-anything 将原本需要专业视频后期技能的工作转化为简单的“绘图 + 对话”流程，极大降低了高质量动态营销素材的生产门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_animate-anything_8dbeb2e9.jpg","alibaba","Alibaba","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falibaba_f65f7221.png","Alibaba Open Source",null,"https:\u002F\u002Fopensource.alibaba.com\u002F","https:\u002F\u002Fgithub.com\u002Falibaba",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",99.6,{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",0.4,{"name":91,"color":92,"percentage":93},"Shell","#89e051",0,965,78,"2026-04-02T06:21:40","MIT","Linux, Windows","必需 NVIDIA GPU。全量微调约需 30GB 显存；基于 SVD 的微调约需 80GB 显存。支持多卡训练（如 4x16G V100 或 4x24G A10），配合 DeepSpeed ZeRO Stage 2 和优化器卸载可降低显存需求。","未说明",{"notes":102,"python":103,"dependencies":104},"建议使用 Conda 管理环境。推理前需手动下载预训练模型（约几百 MB 至数 GB）。支持使用 Labelme 制作运动掩码以控制动画区域。可选集成 Real-CUGAN 进行视频超分辨率处理。多卡训练需配置 Accelerate 和 DeepSpeed。","3.10",[105,106,107,108,109,110,111,112],"torch","diffusers","accelerate","deepspeed","transformers","gradio","opencv-python","labelme",[61,15],[115,116,117],"animation","video-diffusion-model","video-generation","2026-03-27T02:49:30.150509","2026-04-11T18:32:02.334040",[121,126,131,136,141,146],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},15188,"运行 train_svd 时遇到张量形状不匹配（Tensor Mismatch）或分辨率相关的报错，如何解决？","这通常是因为训练数据的分辨率设置不当。VAE 编码器会将宽度或高度下采样 8 倍，因此建议将训练数据的分辨率设置为 8 的倍数。请检查并修改配置文件中的分辨率参数，确保其能被 8 整除。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F20",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},15189,"如何在没有 Mask 的情况下训练 SVD 模型时解决通道数不匹配（期望 9 通道但得到 8 通道）的错误？","该错误通常是因为使用了错误的模型版本。如果你想在不带 Mask 的情况下训练，请使用官方的 SVD 检查点（例如 `stabilityai\u002Fstable-video-diffusion-img2vid-xt`），而不是项目中提供的 `animate_anything_svd_v1.0` 模型（后者已修改为支持 Mask，输入通道为 9）。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F12",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},15190,"训练过程中遇到 \"drop_last\" 导致的张量形状不匹配错误，特别是在数据集较小时，该如何修复？","当数据集样本数较少且无法整除 batch size 时，最后一次的 batch 大小可能小于设定值，导致无条件输入（uncond_input）张量形状不匹配。解决方法是在构建训练数据加载器（train_dataloader）时，将 `drop_last` 参数设置为 `True`，以丢弃最后一个不完整的 batch。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F24",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},15191,"运行代码时出现 \"TypeError: _set_gradient_checkpointing() got an unexpected keyword argument 'value'\" 错误怎么办？","这是代码兼容性问题。你可以尝试以下两种方法：1. 更新代码到仓库的最新版本，维护者已修复此问题；2. 如果无法更新，手动修改 `train.py` 第 146 行左右，将 `text_encoder._set_gradient_checkpointing(CLIPEncoder, value=text_enable)` 改为 `text_encoder._set_gradient_checkpointing(CLIPEncoder)`，移除 `value` 参数。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F5",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},15192,"训练图生视频模型需要多大的显存？是否支持在文生图权重基础上进行训练？","支持在文生图权重基础上训练。显存需求取决于微调策略：如果只训练 temporal layer（时间层），24GB 显存即可；如果进行全量微调，则需要约 30GB 显存。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F2",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},15193,"如何将标准的 SVD 模型转换为支持 Mask 输入的 SVD Mask 模型？","可以通过修改 UNet 的输入层来实现。具体方法是加载预训练的 SVD 模型，创建一个新的 UNet 并将 `in_channels` 设为 9（原为 8），然后复制原始权重到新权重的第 2 到第 9 通道，并将第 1 通道（Mask 通道）的权重初始化为 0。参考代码如下：\n```python\ndef convert_svd(pretrained_model_path, out_path):\n    pipeline = StableVideoDiffusionPipeline.from_pretrained(pretrained_model_path)\n    unet = UNetSpatioTemporalConditionModel.from_pretrained(\n        pretrained_model_path, subfolder='unet', in_channels=9, low_cpu_mem_usage=False, ignore_mismatched_sizes=True)\n    unet.conv_in.bias.data = copy.deepcopy(pipeline.unet.conv_in.bias)\n    torch.nn.init.zeros_(unet.conv_in.weight)\n    unet.conv_in.weight.data[:,1:]= copy.deepcopy(pipeline.unet.conv_in.weight)\n    new_pipeline = StableVideoDiffusionPipeline.from_pretrained(\n        pretrained_model_path, unet=unet)\n    new_pipeline.save_pretrained(out_path)\n```","https:\u002F\u002Fgithub.com\u002Falibaba\u002Fanimate-anything\u002Fissues\u002F17",[]]