diffusers/main/tr/api/models/wan_animate_transformer_3d.md

WanAnimateTransformer3DModel

Alibaba Wan Team tarafından Wan Animate ile 3D video benzeri veriler için bir Diffusion Transformer modeli tanıtıldı.

Model, aşağıdaki kod parçasıyla yüklenebilir.

from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)

WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 16, text_dim: int = 4096, freq_dim: int = 256, ffn_dim: int = 13824, num_layers: int = 40, cross_attn_norm: bool = True, qk_norm: str | None = 'rms_norm_across_heads', eps: float = 1e-06, image_dim: int | None = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)

Kaynak

Parametreler:

patch_size (tuple[int], varsayılan (1, 2, 2)) : Video gömme için 3B yama boyutları (t_patch, h_patch, w_patch).

num_attention_heads (int, varsayılan 40) : Metin gömme (embedding) için sabit uzunluk.

attention_head_dim (int, varsayılan 128) : Her baştaki kanal sayısı.

in_channels (int, varsayılan 16) : Girdideki kanal sayısı.

out_channels (int, varsayılan 16) : Çıktıdaki kanal sayısı.

text_dim (int, varsayılan 512) : Metin gömme girdi boyutu.

freq_dim (int, varsayılan 256) : Sinüzoidal zaman gömme boyutu.

ffn_dim (int, varsayılan 13824) : İleri beslemeli ağdaki ara boyut.

num_layers (int, varsayılan 40) : Kullanılacak transformer bloğu katman sayısı.

window_size (tuple[int], varsayılan (-1, -1)) : Yerel dikkat için pencere boyutu (-1, global dikkat olduğunu belirtir).

cross_attn_norm (bool, varsayılan True) : Çapraz dikkat normalizasyonunu etkinleştirir.

qk_norm (bool, varsayılan True) : Sorgu/anahtar normalizasyonunu etkinleştirir.

eps (float, varsayılan 1e-6) : Normalizasyon katmanları için epsilon değeri.

image_dim (int, isteğe bağlı, varsayılan 1280) : Görsel gömme için kullanılacak kanal sayısı. None ise, projeksiyon kullanılmaz.

added_kv_proj_dim (int, isteğe bağlı, varsayılan 5120) : Eklenen anahtar ve değer projeksiyonları için kullanılacak kanal sayısı. None ise projeksiyon kullanılmaz.

WanAnimate modelinde kullanılan, video benzeri veriler için bir Transformer modeli.

forward[[diffusers.WanAnimateTransformer3DModel.forward]]

forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, pose_hidden_states: typing.Optional[torch.Tensor] = None, face_pixel_values: typing.Optional[torch.Tensor] = None, motion_encode_batch_size: int | None = None, return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None)

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (B, 2C + 4, T + 1, H, W)) : Şekli (B, 2C + 4, T + 1, H, W) olan gürültülü video latentleri; burada B parti boyutu, C latent kanal sayısı (Wan VAE için 16), T bir çıkarım segmentindeki latent kare sayısı, H latent yükseklik ve W latent genişliktir.

timestep : (torch.LongTensor): Gürültü azaltma döngüsündeki mevcut zaman adımı.

encoder_hidden_states (torch.Tensor) : Metin kodlayıcıdan (Wan Animate için umT5) gelen metin gömme değerleri.

encoder_hidden_states_image (torch.Tensor) : Referans (karakter) görselinin CLIP görsel özellikleri.

pose_hidden_states (torch.Tensor, şekli (B, C, T, H, W)) : Poz video latantları. TODO: açıklama

face_pixel_values (torch.Tensor, şekli (B, C', S, H', W')) : Piksel uzayındaki (latent uzayında değil) yüz videosu. Genellikle C' = 3 ve H' ile W', yüz videosunun piksel cinsinden yükseklik/genişliğidir. Burada S, çıkarım segment uzunluğudur ve genellikle 77 olarak ayarlanır.

motion_encode_batch_size (int, opsiyonel) : Hareket kodlayıcı aracılığıyla yüz videosunun toplu kodlanmasında kullanılan parti boyutu. Ayarlanmazsa self.config.motion_encoder_batch_size varsayılan olarak kullanılır.

return_dict (bool, isteğe bağlı, varsayılan True) : Çıktının sözlük (dict) mi yoksa demet (tuple) olarak mı döndürüleceğini belirtir.

attention_kwargs (dict, isteğe bağlı) : Belirtilirse, diffusers.models.attention_processor içinde self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü.

Dönüş: ~models.transformer_2d.Transformer2DModelOutput veya tuple

return_dict True ise, sample alanı gürültüsü azaltılmış video latentini içeren bir ~models.transformer_2d.Transformer2DModelOutput döndürülür; aksi halde ilk öğesi bu tensör olan düz bir tuple döndürülür.

Wan2.2-Animate dönüştürücü modelinin ileri geçişi.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width) veya Transformer2DModel ayrık (discrete) ise (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

Transformer2DModel'nin çıktısı.