🎬 WAN Video LoRA Training

⚠️ In starker Entwicklung
Diese Einrichtung befindet sich noch in der experimentellen Phase.
Nutzen Sie es als Inspiration für die WAN-basierte Videogenerierung (T2V/I2V/V2V/S2V) anstelle einer produktionsreifen Anleitung.

GPU-Server für WAN-Video bestellen

🧩 1. Umgebungseinrichtung

Erstellen Sie eine saubere Python-Umgebung mit Conda (empfohlen) oder venv:

bash 
# 1) Conda / Virtual Environment
conda create -n wan22 python=3.10 -y
conda activate wan22

# 2) Install PyTorch (CUDA 12.x Build)
pip install --upgrade torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install xformers accelerate transformers datasets peft bitsandbytes==0.43.3 safetensors einops
pip install opencv-python pillow tqdm

# 3) Clone Trainer
git clone https://github.com/Wan-Video/DiffSynth-Studio.git
cd DiffSynth-Studio
pip install -r requirements.txt || true
cd ..

💡 Tipp: Auf NVIDIA A100 GPUsverwenden Sie immer BF16 Präzision für stabiles und effizientes Training.

🧠 2. Modelleinrichtung

Platziere deine WAN 2.2 Modellgewichte (abhängig von Ihrer Aufgabe: T2V, I2V, V2V, S2V) zusammen mit VAE und Text Encoder in die erwarteten Verzeichnisse des Trainers legen – oder manuell übergeben --model_name_or_path.

Beispiele: Nur die RTX 4090 und RTX 5090 unterstützen derzeit NVLink. 🔗

bash 
--model_name_or_path Wan-AI/Wan2.2-T2V-A14B   # Text-to-Video
--model_name_or_path Wan-AI/Wan2.2-I2V-A14B   # Image-to-Video

🎞 3. Datensatzvorbereitung

WAN erwartet eine JSONL-Datensatz Datei mit jeweils einem Eintrag pro Videoclip.

Beispielformat:

json Nur den übersetzten Text als JSON ohne zusätzlichen Text oder Anführungszeichen in folgendem Format zurückgeben: { "translated_text": "übersetzter Text" } 
{"video": "/data/myset/clip_0001.mp4", "prompt": "a cozy coffee shop scene at golden hour", "fps": 24, "seconds": 4, "resolution": "1280x720"}
{"video": "/data/myset/clip_0002.mp4", "prompt": "rainy neon city street, cinematic", "fps": 24, "seconds": 4, "resolution": "1280x720"}

📘 Hinweise:

  • Für Text-to-Video (T2V)Sie können Standbilder, Frames oder ein Dummy-Video als Referenz verwenden. prompt und Zielspezifikationen (fps, seconds, resolutionsind erforderlich.

  • Speichern Sie Ihre Datensätze als:

    • /data/wan22/train.jsonl
    • /data/wan22/val.jsonl

⚙️ 4. accelerate Konfiguration

Einmalig initialisieren:

bash 
accelerate config default

Oder definieren Sie es manuell in ~/.cache/huggingface/accelerate/default_config.yaml:

yaml 
compute_environment: LOCAL_MACHINE
distributed_type: NO
mixed_precision: bf16
num_processes: 1
gpu_ids: "0"
dynamo_backend: NO

👉 Für Multi-GPU-Training setzen Sie:

yaml 
distributed_type: MULTI_GPU

🚀 5. LoRA Feinabstimmung (A100 40GB Beispiel)

🧩 Text-to-Video (720p, 4 Sek., BF16)

bash 
conda activate wan22
cd DiffSynth-Studio

accelerate launch \
  train_wan_lora.py \
  --model_name_or_path "Wan-AI/Wan2.2-T2V-A14B" \
  --output_dir /data/wan22_lora_out \
  --dataset_json /data/wan22/train.jsonl \
  --resolution 720 --fps 24 --clip_seconds 4 \
  --train_batch_size 1 \
  --gradient_accumulation_steps 8 \
  --max_train_steps 20000 \
  --learning_rate 1e-4 --warmup_steps 500 \
  --lora_rank 64 --lora_alpha 64 \
  --use_bf16 --enable_xformers --gradient_checkpointing \
  --checkpointing_steps 1000 \
  --validation_json /data/wan22/val.jsonl --validation_steps 2000

🖼 Bild-zu-Video (I2V)

Ändere nur das Modell:

bash 
--model_name_or_path "Wan-AI/Wan2.2-I2V-A14B"

🔧 6. Empfohlene A100-Optimierungen

Situation Empfohlene Anpassung
Ausreichend VRAM Erhöhen --train_batch_size 2 oder verwende --lora_rank 96–128
Begrenzter VRAM Erhöhen --gradient_accumulation_steps to 12–16
Charakter-/Stil-LoRAs 6.000–12.000 Schritte, Rang 32–64
Präzision Bevorzuge immer BF16 anstelle von FP16
Optimierung Aktivieren --gradient_checkpointing + --enable_xformers

💾 7. Fortsetzen des Trainings / Checkpoints

bash 
accelerate launch train_wan_lora.py \
  ... (same parameters) \
  --resume_from_checkpoint "/data/wan22_lora_out/checkpoint-10000"

🧠 8. Inferenz / Testen

Die meisten WAN-Workflows (CLI, ComfyUI usw.) unterstützen das direkte Laden von LoRA-Adaptern.

CLI-Beispiel:

bash 
python infer_wan.py \
  --model_name_or_path "Wan-AI/Wan2.2-T2V-A14B" \
  --lora_path "/data/wan22_lora_out" \
  --prompt "cozy coffee shop at golden hour, bokeh" \
  --negative_prompt "distorted faces, artifacts" \
  --resolution 720 --fps 24 --seconds 4 \
  --output /data/wan22/samples/test001.mp4 \
  --use_bf16 --enable_xformers

💡 ComfyUI: Verwenden Sie den WAN Loader → fügen Sie LoRA(s) hinzu → rendern Sie Ihre Testvideos.

🧮 9. Multi-GPU-Training (gleicher Host)

Nutzen Sie mehrere GPUs (z.B. 2× A100 40GB) für schnelleres Fine-Tuning.

bash 
accelerate config  # set distributed_type=MULTI_GPU, num_processes=2
accelerate launch \
  --multi_gpu \
  train_wan_lora.py \
  ... (same parameters) \
  --train_batch_size 1 --gradient_accumulation_steps 8

Für Konfigurationen mit 4+ GPUs aktivieren --seq_parallel falls unterstützt – reduziert die VRAM-Last erheblich.

⚡ 10. Hyperparameter-Referenz

Typ LR Rang Alpha Schritte Batch Gradientenakkumulation Hinweise
Allgemein 1e-4 64 64 10k–20k 1 8–12 Ausgewogene Basislinie
Charakter 1e-4 64–128 64 8k–12k 1 8 Ideal für kurze 2–4-sekündige Clips
Stil 1e-4 32–64 64 6k–10k 1 8–12 Größerer stilistischer Spielraum
Bewertung — — — alle 1–2k — — Test 2–4 fest + 2 reale Prompts

🧾 Zusammenfassung

WAN LoRA-Training ermöglicht:

  • Schnelle Anpassung von WAN 2.2 Videogenerierungsmodellen
  • Konsistenz von Stil, Thema und Charakter über alle Ausgaben hinweg
  • Effizientes Fine-Tuning mit LoRA und xFormers bei minimalem VRAM-Overhead

Empfohlene Konfiguration:

  • ⚙️ CUDA 12.x
  • 🧠 NVIDIA A100 (40 GB)
  • 💡 BF16-Präzision
  • 🧩 xFormers + Gradienten-Checkpointing

🏁 Beispiel-Workflow-Übersicht

Trainer git clone https://github.com/Wan-Video/DiffSynth-Studio.git cd DiffSynth-Studio pip install -r requirements.txt || true cd .. 💡 Tipp: Auf NVIDIA A100 GPUs immer BF16 Präzision für stabiles und effizientes Training verwenden. 🧠 2. Modelleinrichtung Platzieren Sie Ihre WAN 2.2 Modellgewichte (abhängig von Ihrer Aufgabe: T2V, I2V, V2V, S2V) zusammen mit VAE- und [Text]-Encoder-Dateien in den erwarteten Verzeichnissen des Trainers – oder übergeben Sie diese manuell über --model_name_or_path. Beispiele: bash --model_name_or_path Wan-AI/Wan2.2 
Environment  →  Model Setup  →  Dataset Prep  →  LoRA Fine-tune  →  Inference

🎥 Intelligenter trainieren. Schneller generieren. Stärkeres WAN.