Qısaca
- Wan 2.2, Mixture-of-Experts arxitekturası ilə işləyən açıq mənbəli şəkildən videoya (image-to-video) modelidir.
- I2V-A14B modeli 480P və 720P keyfiyyətində video istehsal edə bilir; TI2V-5B modeli isə istehlakçı GPU-larında (məsələn, RTX 4090) 720P@24fps video istehsal edir.
- Modellər Apache 2.0 lisenziyası ilə Hugging Face üzərindən yüklənilə bilər və ComfyUI ilə Diffusers kitabxanasına inteqrasiya olunub.
- TI2V-5B modeli, optimallaşdırma edilmədən tək bir istehlakçı GPU-sunda 5 saniyəlik 720P videonu 9 dəqiqədən az müddətdə istehsal edə bilir.
Memarlıq vizuallaşdırma ofislərində statik render'ləri müştəriyə təqdim etmədən əvvəl qısa bir hərəkət qazandırmaq istəyən komandalar üçün açıq mənbəli Wan 2.2 modeli praktik bir seçim təqdim edir. Wan komandasının Hugging Face üzərində yayımladığı bu model, bir istinad görselini (məsələn, bir fasad render'i və ya interyer kadrı) götürüb bu görseli qısa bir videoya çevirə bilir. Bu bələdçidə modelin nəyə yaradığı, hansı avadanlıqla işlədiyi və interyer/fasad render'ləri üçün necə istifadə oluna biləcəyi addım-addım izah olunur.
Bu bələdçidə nə öyrənəcəksiniz
Wan 2.2-nin hansı modellərdən ibarət olduğunu və aralarındakı fərqi
Şəkildən videoya (I2V) istehsal üçün qurulum addımlarını
Memarlıq render'i üçün nümunə prompt strukturunu
Tez-tez edilən xətaları və növbəti addımları
Tələblər
Wan 2.2 ailəsində üç model var: mətndən videoya (T2V-A14B), şəkildən videoya (I2V-A14B) və mətn+şəkildən videoya (TI2V-5B). I2V-A14B modeli 480P və 720P keyfiyyətində video istehsal edə bilən bir Mixture-of-Experts (MoE) modelidir; ümumi 27 milyard parametrə sahib olsa da, hər addımda yalnız 14 milyard parametr aktiv işləyir. Tək GPU-da bu modellə şəkildən video istehsal etmək üçün ən azı 80 GB VRAM lazımdır; buna görə A14B modeli adətən çox GPU-lu iş stansiyalarında və ya bulud serverlərində tərcih olunur.
Daha təvazökar avadanlıqlar üçün TI2V-5B modeli önə çıxır. Bu model, yüksək sıxışdırma nisbətinə sahib xüsusi bir VAE istifadə edir və hər hansı əlavə optimallaşdırma edilmədən, RTX 4090 kimi istehlakçı sinfi bir GPU-da 5 saniyəlik 720P@24fps videonu 9 dəqiqədən az müddətdə istehsal edə bilir. Memarlıq ofisləri üçün praktik başlanğıc nöqtəsi adətən bu modeldir.
Qurulum üçün Python mühiti, PyTorch (2.4.0 və üzəri) və layihənin GitHub deposundakı requirements.txt faylındakı asılılıqlar lazımdır. Modellər Hugging Face və ya ModelScope üzərindən yüklənilə bilir və həmçinin ComfyUI ilə Diffusers kitabxanasına inteqrasiya olunub.
Addım-addım qurulum və istifadə
1. Depoyu klonlayın və asılılıqları quraşdırın:
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt2. Model çəkilərini yükləyin. İstehlakçı GPU-su üçün TI2V-5B, çox GPU-lu sistemlər üçün I2V-A14B tərcih oluna bilər:
pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-I2V-A14B --local-dir ./Wan2.2-I2V-A14B3. İstinad görselinizi hazırlayın. Bu, kameranın sabit kadrda olduğu bir fasad render'i və ya interyer perspektivi ola bilər. Görselin keyfiyyəti və en-boy nisbəti, istehsal olunacaq videonun nisbətini müəyyən edir.
4. İstehsal əmrini işə salın. Aşağıdakı əmr, şəkildən video istehsalını tək GPU üzərində başladır (ən azı 80 GB VRAM tələb edir, I2V-A14B üçün):
python generate.py --task i2v-A14B --size 1280*720 --ckpt_dir ./Wan2.2-I2V-A14B --offload_model True --convert_model_dtype --image render_disçephe.jpg --prompt "PROMPT_METNI"5. Memarlıq render'inizə uyğun bir prompt yazın. Nümunə promptlar aşağıda:
A modern residential facade with large glass windows, captured at golden hour. Soft clouds drift slowly across the sky, subtle reflections move across the glass surface, and light gently shifts on the concrete texture. The camera remains static, cinematic lighting, architectural visualization style.Bu prompt, sabit kameralı bir fasad render'inə səma, əks olunma və işıq hərəkəti əlavə edərək canlandırma təmin edir; kamera hərəkəti istənmədiyi üçün "camera remains static" ifadəsi vacibdir.
A bright interior living room rendered in architectural visualization style, with sheer curtains gently swaying near an open window. Dust particles float softly in the sunbeam, warm afternoon light slowly shifts across the wooden floor, camera static, photorealistic rendering.Bu prompt isə interyer render'lərində pərdə hərəkəti və işıq keçidi kimi kiçik, amma təsirli detallar istehsal etmək üçün istifadə oluna bilər.
Tez-tez edilən xətalar
Promptda kamera hərəkəti təyin etməsəniz model gözlənilməz kamera sürüşmələri istehsal edə bilər; sabit kadr istənirsə bunu açıq şəkildə qeyd etmək lazımdır.
TI2V-5B modeli üçün VRAM kifayət etmirsə
--offload_model Truevə--convert_model_dtypeparametrlərini atlamaq xətalara səbəb ola bilər.Çox yüksək keyfiyyət (1280x720-dən yuxarı) tələb etmək, xüsusilə A14B modelində VRAM tələbini ciddi şəkildə artırır.
flash_attnquraşdırmasında problem yaşanarsa, əvvəlcə digər asılılıqların, ən sondaflash_attn-in quraşdırılması tövsiyə olunur.
Növbəti addımlar
İstehsal olunan qısa klip, montaj proqramında render seriyası ilə birləşdirilərək təqdimat videosuna çevrilə bilər. ComfyUI inteqrasiyası sayəsində prompt və görsel kombinasiyalarını sürətlə sınaqdan keçirmək, ofisdaxili iş axınına daxil etmək üçün praktik bir üsuldur.
Mənbə və lisenziya
Bu bələdçi, Wan komandasının Hugging Face üzərində Apache 2.0 lisenziyası ilə yayımladığı Wan2.2 model kartından Azərbaycan dilinə uyğunlaşdırılmışdır. Əmr nümunələri orijinal sənəddən götürülmüş, memarlıq nümunə promptları isə sənədləşdirilmiş texnikalar əsas götürülərək müəlliflər tərəfindən yaradılmışdır.
Mənbələr
2 mənbəMənbə mətnləri yenidən dərc edilmir; qısa sitatlar işarələnir, qalanı bizim xülasə və şərhimizdir.
Wan 2.2, xüsusilə TI2V-5B modeli ilə, tək bir istehlakçı GPU-sunda (RTX 4090 kimi) qısa müddətdə 720P video istehsal edə bilməsi sayəsində Türkiyədəki kiçik və orta ölçülü vizuallaşdırma ofisləri üçün əlçatan bir seçim təqdim edir. Apache 2.0 lisenziyası, kommersiya layihələrində istifadə baxımından rahatlıq təmin edir; ancaq I2V-A14B kimi daha böyük modellərin ən azı 80 GB VRAM tələb etməsi, əksər studiyaların mövcud avadanlığını aşa bilər.
Təcrübədə ofislərin əvvəlcə TI2V-5B ilə kiçik sınaqlar aparması, sonra ehtiyac olduqda bulud GPU-su kirayələyərək A14B modelinə keçməsi məqbul bir strategiyadır. Modelin sabit kameralı render'lərə yüngül hərəkət (əks olunma, işıq, bitki/pərdə salınımı) qazandırma potensialı, xüsusilə təqdimat videolarında və sosial media məzmununda dəyərli ola bilər; ancaq kamera nəzarəti və ardıcıllıq baxımından sınaq-səhv tələb etdiyi unudulmamalıdır.
Tez-tez verilən suallar
Wan 2.2 hansı avadanlıqla işləyir?
TI2V-5B modeli, optimallaşdırma edilmədən RTX 4090 kimi tək bir istehlakçı GPU-sunda işləyə bilir; I2V-A14B modeli isə tək GPU-da ən azı 80 GB VRAM tələb edir.
Wan 2.2 hansı lisenziya ilə paylanılır?
Modellər Hugging Face üzərində Apache 2.0 lisenziyası ilə yayımlanıb və istehsal olunan məzmunlar üzərində hüquq iddia edilmədiyi qeyd olunur.
Wan 2.2 ilə hansı keyfiyyətdə video istehsal edilə bilər?
I2V-A14B modeli 480P və 720P keyfiyyətində, TI2V-5B modeli isə 720P@24fps video istehsal edə bilir.



