通义万相2.1开源版本地化部署攻略,生成视频再填利器

JAY.LIN 收录于数字化转型

2025-03-09 约 1966 字预计阅读 4 分钟

https://bing.ee123.net/img/rand?artid=146127656

通义万相2.1开源版本地化部署攻略，生成视频再填利器

2025 年 2 月 25 日晚上 11：00 通义万相 2.1 开源发布，前两周太忙没空搞它，这个周末，也来本地化部署一个，体验生成效果如何，总的来说，它在国内文生视频、图生视频的行列处于领先位置，同时也支持文生图。

一、开源代码下载来源

GitHub：

这个源码包中可以做的事包括：

Wan2.1 Text-to-Video

Multi-GPU Inference code of the 14B and 1.3B models

Checkpoints of the 14B and 1.3B models

Gradio demo

ComfyUI integration

Diffusers integration

Diffusers + Multi-GPU Inference

Wan2.1 Image-to-Video

Multi-GPU Inference code of the 14B model

Checkpoints of the 14B model

Gradio demo

ComfyUI integration

Diffusers integration

Diffusers + Multi-GPU Inference

以下相关网址，有在线体验的，有可以下载配套模型的，也有可以下载源码的，根据需要自行选择，访问国外的网站请提前准备好科学上网。

官网：https://tongyi.aliyun.com/wanxiang/

博客：https://wanxai.com/

Modelscope：https://modelscope.cn/organization/Wan-AI

Hugging Face：https://huggingface.co/Wan-AI

二、下载python虚拟环境管理软件，安装较新版的python

下载地址：https://docs.conda.io/en/latest/miniconda.html

安装好后打开它，最好使用管理员模式打开。

依次敲入指令，创建并激活项目所需的虚拟环境。（关于conda的使用方法会单独出一篇教程，这里就不多解释了）

conda create –name Wan21 python=3.12.9

三、安装git

验证安装成功如下：

四、安装cuda

到官网下载驱动，按提示安装。这里需要为自己的显卡选择具体的版本，命令行输入指令nvidia-smi查看对应版本。

下载后安装完配置一下环境变量

五、下载万象2.1源码

git clone https://github.com/Wan-Video/Wan2.1.git

六、安装万象2.1所需的依赖包

到conda的虚拟环境中来安装，给万象2.1配置专用的python运行环境。

conda activate Wan21

看看这个依赖源的清单，数量不多，建议还是手工一条条安装，以便看到哪一个在安装中出问题了，定向解决。

很多时候用上面的清单安装后，torch版本不支持cuda，可以参照下面这个网址，找到对应的版本去下载。

有时运行还会报错，缺少flash-attn依赖，可以根据对应的torch版本下载这个依赖包，不过编译的时间好长，只要不报错，一定要耐心等待，我可是等了半天多才完成编译。

我最终的依赖包清单如下：

(wanvideo21) F:\GitProject\Wan2.1>pip list

Package Version

accelerate 1.4.0

aiofiles 23.2.1

aiohappyeyeballs 2.5.0

aiohttp 3.11.13

aiosignal 1.3.2

annotated-types 0.7.0

anyio 4.8.0

attrs 25.1.0

certifi 2025.1.31

charset-normalizer 3.4.1

click 8.1.8

colorama 0.4.6

dashscope 1.22.1

diffusers 0.32.2

easydict 1.13

einops 0.8.1

fastapi 0.115.11

ffmpy 0.5.0

filelock 3.17.0

flash_attn 2.7.3

frozenlist 1.5.0

fsspec 2025.2.0

ftfy 6.3.1

gradio 5.20.0

gradio_client 1.7.2

groovy 0.1.2

h11 0.14.0

httpcore 1.0.7

httpx 0.28.1

huggingface-hub 0.29.2

idna 3.10

imageio 2.37.0

imageio-ffmpeg 0.6.0

importlib_metadata 8.6.1

intel-openmp 2021.4.0

Jinja2 3.1.6

markdown-it-py 3.0.0

MarkupSafe 2.1.5

mdurl 0.1.2

mkl 2021.4.0

mpmath 1.3.0

multidict 6.1.0

networkx 3.4.2

numpy 1.26.0

opencv-python 4.11.0.86

orjson 3.10.15

packaging 24.2

pandas 2.2.3

pillow 11.1.0

pip 25.0.1

propcache 0.3.0

psutil 7.0.0

pydantic 2.10.6

pydantic_core 2.27.2

pydub 0.25.1

Pygments 2.19.1

python-dateutil 2.9.0.post0

python-multipart 0.0.20

pytz 2025.1

PyYAML 6.0.2

regex 2024.11.6

requests 2.32.3

rich 13.9.4

ruff 0.9.9

safehttpx 0.1.6

safetensors 0.5.3

semantic-version 2.10.0

setuptools 75.8.2

shellingham 1.5.4

six 1.17.0

sniffio 1.3.1

starlette 0.46.0

sympy 1.13.1

tbb 2021.11.0

tokenizers 0.21.0

tomlkit 0.13.2

torch 2.6.0+cu126

torchaudio 2.6.0+cu126

torchvision 0.21.0+cu126

tqdm 4.67.1

transformers 4.49.0

typer 0.15.2

typing_extensions 4.12.2

tzdata 2025.1

urllib3 2.3.0

uvicorn 0.34.0

wcwidth 0.2.13

websocket-client 1.8.0

websockets 15.0.1

wheel 0.45.1

yarl 1.18.3

zipp 3.21.0

七、下载模型文件

pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.1-T2V-14B --local-dir ./Wan2.1-T2V-14B

因为模型文件比较大，这个根据网速情况，会有些慢。如果发现下载速度变慢了，可以ctrl+c终止后重新启动。

模型文件种类：

八、文生视频测试

单GPU情况下指令如下：

python generate.py –task t2v-14B –size 1280*720 –ckpt_dir ./Wan2.1-T2V-14B –save_file output –prompt “A cute little cat is cooking.”

如果显存不够大，会报“Out-of-Memory”错误，可以使用参数 --offload_model True and --t5_cpu启用cpu计算，同时 改用小点的模型，使用低分辨率的像素来生成。

python generate.py –task t2v-1.3B –size 480*832 –ckpt_dir ./Wan2.1-T2V-1.3B –offload_model True –t5_cpu –sample_shift 8 –sample_guide_scale 6 –save_file ./output/test1.mp4 –prompt “A cute little cat is cooking.”

九、图生视频测试

单GPU情况下指令如下：

python generate.py –task t2v-1.3B –size 480*832 –ckpt_dir ./Wan2.1-T2V-1.3B –offload_model True –t5_cpu –image ./examples/test.jpg –save_file ./output/test2.mp4 –prompt “Summer beach vacation style, a white cat wearing sunglasses sits on a surfboard. The fluffy-furred feline gazes directly at the camera with a relaxed expression. Blurred beach scenery forms the background featuring crystal-clear waters, distant green hills, and a blue sky dotted with white clouds. The cat assumes a naturally relaxed posture, as if savoring the sea breeze and warm sunlight. A close-up shot highlights the feline’s intricate details and the refreshing atmosphere of the seaside.”

十、文生图片测试

python generate.py –task t2v-1.3B –size 480*832 –ckpt_dir ./Wan2.1-T2V-1.3B –prompt ‘一个漂亮的女孩’ –offload_model True –t5_cpu

结果生成的还是视频。

想看指令可以带哪些参数，可以查看源码文件generate.py，其中片段如下：

def _parse_args():
    parser = argparse.ArgumentParser(
        description="Generate a image or video from a text prompt or image using Wan"
    )
    parser.add_argument(
        "--task",
        type=str,
        default="t2v-14B",
        choices=list(WAN_CONFIGS.keys()),
        help="The task to run.")
    parser.add_argument(
        "--size",
        type=str,
        default="1280*720",
        choices=list(SIZE_CONFIGS.keys()),
        help="The area (width*height) of the generated video. For the I2V task, the aspect ratio of the output video will follow that of the input image."
    )
    parser.add_argument(
        "--frame_num",
        type=int,
        default=None,
        help="How many frames to sample from a image or video. The number should be 4n+1"
    )
    parser.add_argument(
        "--ckpt_dir",
        type=str,
        default=None,
        help="The path to the checkpoint directory.")
    parser.add_argument(
        "--offload_model",
        type=str2bool,
        default=None,
        help="Whether to offload the model to CPU after each model forward, reducing GPU memory usage."
    )
    parser.add_argument(
        "--ulysses_size",
        type=int,
        default=1,
        help="The size of the ulysses parallelism in DiT.")
    parser.add_argument(
        "--ring_size",
        type=int,
        default=1,
        help="The size of the ring attention parallelism in DiT.")
    parser.add_argument(
        "--t5_fsdp",
        action="store_true",
        default=False,
        help="Whether to use FSDP for T5.")
    parser.add_argument(
        "--t5_cpu",
        action="store_true",
        default=False,
        help="Whether to place T5 model on CPU.")
    parser.add_argument(
        "--dit_fsdp",
        action="store_true",
        default=False,
        help="Whether to use FSDP for DiT.")
    parser.add_argument(
        "--save_file",
        type=str,
        default=None,
        help="The file to save the generated image or video to.")
    parser.add_argument(
        "--prompt",
        type=str,
        default=None,
        help="The prompt to generate the image or video from.")
    parser.add_argument(
        "--use_prompt_extend",
        action="store_true",
        default=False,
        help="Whether to use prompt extend.")
    parser.add_argument(
        "--prompt_extend_method",
        type=str,
        default="local_qwen",
        choices=["dashscope", "local_qwen"],
        help="The prompt extend method to use.")
    parser.add_argument(
        "--prompt_extend_model",
        type=str,
        default=None,
        help="The prompt extend model to use.")
    parser.add_argument(
        "--prompt_extend_target_lang",
        type=str,
        default="zh",
        choices=["zh", "en"],
        help="The target language of prompt extend.")
    parser.add_argument(
        "--base_seed",
        type=int,
        default=-1,
        help="The seed to use for generating the image or video.")
    parser.add_argument(
        "--image",
        type=str,
        default=None,
        help="The image to generate the video from.")
    parser.add_argument(
        "--sample_solver",
        type=str,
        default='unipc',
        choices=['unipc', 'dpm++'],
        help="The solver used to sample.")
    parser.add_argument(
        "--sample_steps", type=int, default=None, help="The sampling steps.")
    parser.add_argument(
        "--sample_shift",
        type=float,
        default=None,
        help="Sampling shift factor for flow matching schedulers.")
    parser.add_argument(
        "--sample_guide_scale",
        type=float,
        default=5.0,
        help="Classifier free guidance scale.")

    args = parser.parse_args()

    _validate_args(args)

    return args

体验感受：总的来说万象生成的视频质量还是不错的，最大的亮点是它原生支持 中文提示词 ，对大部分的同胞们来说这是个福音。只不过这玩意太耗显存，看下面官方给出的测试报告就知道了，起步是4090，也进一步验证了智能时代拼的是算力。