【Datawhale组队学习：Sora原理与技术实战】训练一个 sora 模型的准备工作，video caption 和算力评估

训练 Sora 模型

在 Sora 的技术报告中，Sora 使用视频压缩网络将各种大小的视频压缩为潜在空间中的时空 patches sequence，然后使用 Diffusion Transformer 进行去噪，最后解码生成视频。

Open-Sora 在下图中总结了 Sora 可能使用的训练流程。

训练链路：

数据准备

开源数据集：

VideoInstruct-100K：

VideoInstruct100K 是使用人工辅助和半自动注释技术生成的高质量视频对话数据集。数据集中的问题答案与以下内容相关：

• 视频摘要
• 基于描述的问题答案（探索空间、时间、关系和推理概念）
• 创意/生成性问题解答

链接：https://modelscope.cn/datasets/AI-ModelScope/VideoInstruct-100K

panda-70m：

Panda-70M 是一个包含 70M 高质量视频字幕对的大规模数据集。该存储库分为三个部分：

• 数据集数据加载包括列出 Panda-70M 数据的 csv 文件以及下载数据集的代码。
• 分割包括将长视频分割成多个语义一致的短片的代码。
• 字幕包括在 Panda-70M 上训练的拟议视频字幕模型。

链接：https://modelscope.cn/datasets/AI-ModelScope/panda-70m

Youku-mPLUG:

Youku-mPLUG 预训练数据集挖掘自优酷站内海量的优质短视频内容

• 包含千万级别约 36TB 的视频、文本数据。
• 其中视频均为覆盖 10 ～ 120 秒的 UGC 短视频内容，文本为视频对应的描述标题，长度 5 ～ 30 不等。
• 该数据集抽取时品类均衡，内容共包含 45 个大类。

链接：https://modelscope.cn/datasets/modelscope/Youku-AliceMind

MSR-VTT：

MSR-VTT（Microsoft Research Video to Text）是一个开放域视频字幕的大规模数据集。

• 由 20 个类别的 10,000 个视频片段组成，每个视频片段由 Amazon Mechanical Turks 标注了 20 个英文句子。
• 所有标题中约有 29,000 个独特单词。
• 标准分割使用 6,513 个 split 用于训练，497 个 split 用于验证，2,990 个 split 用于测试。

链接：https://modelscope.cn/datasets/AI-ModelScope/msr-vtt

Shot2Story：

视频文本基准和用于多镜头视频理解的可扩展代码。包含 20k 视频的详细长摘要和 80k 视频镜头的镜头字幕。

链接：https://modelscope.cn/datasets/AI-ModelScope/Shot2Story

InternVid：

InternVid 是一个以视频为中心的大规模多模态数据集，可以学习强大且可转移的视频文本表示，以实现多模态理解和生成。 InternVid 数据集包含超过 700 万个视频，持续近 76 万小时，产生 2.34 亿个视频剪辑，并附有总共 4.1B 个单词的详细描述。

链接：https://modelscope.cn/datasets/AI-ModelScope/InternVid

webvid-10M：

大型文本视频数据集，包含从素材网站抓取的1000 万个视频文本对。

链接：https://modelscope.cn/datasets/AI-ModelScope/webvid-10M

数据预处理

目前主流 LLM 框架缺乏针对 video 数据 统一便捷的管理和处理能力，且多模态数据处理标准方案缺失

• Huggingface-Datasets 官方认为 video 比 image 更棘手，暂未支持
• 相关 video 库对该场景过于庞杂或简单
• FFmpeg：150w 行+源码，大量底层细节
• pytorchvideo：主要支持加载和少量单 video 模态的tensor transform（翻转、扰动、采样等）
• SORA 官方仅模糊提及使用了 DALLE3 来生成 caption，细粒度的"caption --> spacetime patch"建模比较关键
• 从 SORA 模型效果看，数据需要有变化的时长、分辨率和宽高比

Data-Juicer扩展了对多模态数据的支持，已实现上百个专用的视频、图像、音频、文本等多模态数据处理算子及工具，帮助用户分析、清洗及生成大规模高质量数据。

• 支持视频数据的高性能 IO 和处理
• 支持并行化数据加载：lazy load with pyAV and ffmpeg；多模态数据路径签名
• 并行化算子处理：支持单机多核；GPU 调用；Ray 多机分布式
• [WIP] 分布式调度优化；分布式存储优化
• 基础算子（细粒度模态间匹配及生成）
• 基础算子（视频时空维度）

• 基础算子（细粒度模态间匹配及生成）

• 进阶算子（视频内容）

• DJ-SORA 数据菜谱及数据集

• DJ-SORA 数据验证及模型训练

开源链接：https://github.com/alibaba/data-juicer/docs/DJ_SORA_ZH.md

模型选型和训练

视频 VQVAE

VideoGPT 使用 VQ-VAE，通过采用 3D 卷积和轴向自注意力来学习原始视频的下采样离散潜在表示。然后使用一个简单的类似 GPT 的架构，使用时空位置编码对离散潜在变量进行自回归建模。用于 BAIR Robot 数据集上的视频生成，并从 UCF-101 和 Tumbler GIF 生成高保真自然图像数据集（TGIF）。

https://github.com/wilson1yan/VideoGPT/

Diffusion Transformer

普遍认为 Diffusion Transformer 模型是 Sora 的技术基础，通过结合 diffusion model 和 transformer，从而达到可以 scale up model 来提升图像生成质量的效果。我们总结了三个目前开源的 Diffusion Transformer 研究如下，并总结了最佳实践，可以在魔搭社区的免费算力上运行和测试。

UViT：All are Worth Words: A ViT Backbone for Diffusion Models

论文链接：https://arxiv.org/abs/2209.12152

代码库链接：https://github.com/baofff/U-ViT

模型链接：https://modelscope.cn/models/thu-ml/imagenet256_uvit_huge

DiT：Scalable Diffusion Models with Transformers

论文链接：https://arxiv.org/abs/2212.09748

代码库链接：https://github.com/facebookresearch/DiT

模型链接：https://modelscope.cn/models/AI-ModelScope/DiT-XL-2-256x256/summary

SiT：Exploring Flow and Diffusion-based Generative Models with Scalable Interpolant Transformers (SiT)

论文链接：https://arxiv.org/pdf/2401.08740.pdf

代码库链接：https://github.com/willisma/SiT

模型链接：https://modelscope.cn/models/AI-ModelScope/SiT-XL-2-256

总结

U-ViT是一种简单且通用的基于 ViT 的扩散概率模型的主干网络，U-ViT 把所有输入，包括图片、时间、条件都当作 token 输入，并且引入了long skip connection。U-ViT 在无条件生成、类别条件生成以及文到图生成上均取得了可比或者优于 CNN 的结果。为未来扩散模型中骨干网络研究提供见解，并有利于大规模跨模态数据集的生成建模。

DiT同样的提出了使用 ViT 代替 U-Net 的思想，不同的是 DiT 中没有引入 long skip connection 也依然取得了杰出的效果。推测原因可能有：

• DiT 出色的Adaptive layer norm以及零初始化的设计能够有效提升生成质量；
• DiT 在建模特征空间表现良好，但在建模像素空间表现欠缺，可能在用扩散概率模型建模像素空间分布时 long skip connection 是至关重要的；
• 即使在建模特征空间上，DiT 没有 long skip connection 也能取得很好的效果，但 long skip connection 在加速收敛方面也起着关键的作用。

而近期推出的可扩展插值变压器 (SiT)，是建立在 DiT 基础上的生成模型系列。 **插值框架，**相比标准的 diffusion 模型允许以更灵活的方式连接两个 distributions，使得对影响生成的各种设计选择的模块化研究成为可能。SiT 在 ImageNet 256x256 基准上模型大小和效果超过了 DiT 和 UViT，SiT 实现了 2.06 的 FID-50K 分数。

Video-caption

OpenAI 训练了一个具备高度描述性的视频标题生成（Video Captioning）模型，使用这个模型为所有的视频训练数据生成了高质量文本标题，再将视频和高质量标题作为视频文本对进行训练。通过这样的高质量的训练数据，保障了文本（prompt）和视频数据之间高度的 align。通过近期的讨论和资料，我们推测 Video Captioning 模型是由多模态大语言模型 VLM（如**GPT4V 模型）**微调出来的。开发者也可以通过视频抽帧+开源 VLM 生成描述+LLM 总结描述的方式，生成较好的视频描述。下面是一些开源的多模态模型：

零一万物 VL 模型（Yi-VL-34B）

代码库链接：https://github.com/01-ai/Yi/tree/main/VL

模型链接：https://modelscope.cn/models/01ai/Yi-VL-34B/

通义千问 VL 模型（Qwen-VL-Chat）

论文链接：https://arxiv.org/abs/2308.12966

代码库链接：https://github.com/QwenLM/Qwen-VL

模型链接：https://modelscope.cn/models/qwen/Qwen-VL-Chat

浦语·灵笔 2-视觉问答-7B（internlm-xcomposer2-vl-7b）

代码库链接：https://github.com/InternLM/InternLM-XComposer

模型链接：https://modelscope.cn/models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b/summary

CogVLM 模型：

技术报告：https://zhipu-ai.feishu.cn/wiki/LXQIwqo1OiIVTykMh9Lc3w1Fn7g

代码库链接：https://github.com/THUDM/CogVLM

模型链接：https://modelscope.cn/models/ZhipuAI/CogVLM/summary

MiniCPM-V 模型：

论文链接：https://arxiv.org/abs/2308.12038

代码库链接：https://github.com/OpenBMB/OmniLMM/

模型链接：https://modelscope.cn/models/OpenBMB/MiniCPM-V/summary

Video-LLaVA 模型：

论文链接：https://arxiv.org/abs/2311.10122

代码库链接：https://github.com/PKU-YuanGroup/Video-LLaVA

模型链接：https://modelscope.cn/models/PKU-YuanLab/Video-LLaVA-7B/summary

总结对比

从模型参数量来看，零一万物，CogVLM 的模型是百亿参数，但是仅支持英文，通义，灵笔等模型可以较好的支持中文，Video-LLaVA 可以支持直接对视频的理解，可以根据需求来选择具体的多模态大语言模型。

参考资料

sora-tutorial/docs/chapter3/chapter3_1/chapter3_1.md at main · datawhalechina/sora-tutorial (github.com)

学习视频：【AI+X组队学习】Sora原理与技术实战：训练一个sora模型的准备工作,video caption和算力评估_哔哩哔哩_bilibili

Open-Sora：https://hpc-ai.com/blog/open-so