首页
/ OneDiff加速AnimateDiff-CLI-Prompt-Travel的技术实践

OneDiff加速AnimateDiff-CLI-Prompt-Travel的技术实践

2025-07-07 15:13:36作者:裘旻烁

背景介绍

AnimateDiff-CLI-Prompt-Travel是一个基于Diffusers框架实现的动画生成工具,它通过自定义的UNet3DConditionModel实现了视频序列的生成。在实际应用中,我们发现其推理速度有待提升,因此尝试使用OneDiff的oneflow_compile功能对其进行加速优化。

技术挑战与解决方案

1. 自定义UNet模型的编译问题

原项目使用了自定义实现的UNet3DConditionModel,而非Diffusers官方实现。直接使用oneflow_compile会遇到算子不支持的问题。

解决方案

  • 确认OneDiff版本:从dev_comfyui_animatediff_evolved分支切换到master分支
  • 确保编译环境配置正确

2. 最临近插值算子不支持问题

原代码中使用了torch.nn.functional.interpolate的最临近插值功能,这是OneDiff当前不支持的算子。

解决方案: 我们实现了自定义的最临近插值函数:

def nearest_interpolate(input_tensor, size=None, scale_factor=None):
    """
    最临近插值实现
    :param input_tensor: 输入张量
    :param size: 目标尺寸
    :param scale_factor: 缩放因子
    :return: 插值后的张量
    """
    new_shape = list(input_tensor.shape)
    if size is not None:
        for i in range(2, 2 + len(size)):
            new_shape[i] = size[i - 2]
    if scale_factor is not None:
        for i in range(2, 2 + len(scale_factor)):
            new_shape[i] = int(new_shape[i] * scale_factor[i - 2])
    
    output_tensor = torch.zeros(new_shape, dtype=input_tensor.dtype, device=input_tensor.device.type)
    index_k = (torch.arange(0, output_tensor.shape[-1]) / output_tensor.shape[-1] * input_tensor.shape[-1]).int()
    index_j = (torch.arange(0, output_tensor.shape[-2]) / output_tensor.shape[-2] * input_tensor.shape[-2]).int()
    index_i = (torch.arange(0, output_tensor.shape[-3]) / output_tensor.shape[-3] * input_tensor.shape[-3]).int()
    
    output_tensor = input_tensor[:, :, index_i][:, :, :, index_j][:, :, :, :, index_k]
    return output_tensor

实现要点

  1. 避免使用torch.tensor()类型转换,改用.int()方法
  2. 采用索引方式实现插值,而非直接使用numpy转换
  3. 支持3D张量的插值操作

3. 其他优化技巧

  • 同时对UNet和ControlNet部分进行编译优化
  • 注意数据类型和设备的一致性
  • 监控显存使用情况,避免因优化导致显存溢出

性能评估

经过优化后:

  1. 模型推理速度得到显著提升
  2. 自定义插值函数比原生实现慢约5倍,但整体仍带来正向收益
  3. 系统稳定性良好,无崩溃现象

总结与展望

通过OneDiff的编译优化,我们成功提升了AnimateDiff-CLI-Prompt-Travel的推理性能。未来可考虑:

  1. 进一步优化自定义算子的实现效率
  2. 探索更多可编译的模型组件
  3. 研究混合精度训练带来的额外性能提升

这种技术方案不仅适用于本项目,也可推广到其他基于Diffusers的自定义模型优化场景中。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
505
42
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
938
554
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
332
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70