如何在昇腾910B2C上部署LTX-2超详细环境配置指南【免费下载链接】LTX-2项目地址: https://ai.gitcode.com/Ascend-SACT/LTX-2LTX-2是一款强大的视频生成模型本文将为您提供在昇腾910B2C上部署LTX-2的超详细环境配置指南帮助您快速上手这一先进的AI视频生成工具。昇腾910B2C环境要求在开始部署LTX-2之前需要确保您的昇腾910B2C环境满足以下要求项目版本基座镜像ascend-a2-ubuntu:v4.1.1CANN9.0.0PyTorch2.11.0cputorch_npu2.11.0.rc3Python3.13NPU 硬件910B2C (A2)基座镜像可以从Ascend-SACT的Docker仓库获取确保您的环境已正确安装上述依赖。项目克隆与准备克隆LTX-2上游仓库首先需要克隆LTX-2的上游仓库git clone https://github.com/Lightricks/LTX-2.git cd LTX-2 git checkout 9377758 # 或更新的 main 分支克隆补丁仓库本项目提供了将LTX-2适配到华为Ascend NPU的补丁集需要克隆补丁仓库# 在 LTX-2 的父目录下克隆补丁仓 git clone https://gitcode.com/Ascend-SACT/LTX-2.git ../ltx2-patches应用NPU适配补丁应用核心适配补丁在LTX-2目录中应用核心适配补丁# 在 upstream LTX-2 目录中应用核心适配补丁15 个 bash ../ltx2-patches/apply_patches.sh补丁通过git am --3way应用会为每个补丁创建一个commit。如遇冲突解决后执行git am --continue。应用性能优化补丁可选如果需要进一步提升性能可以应用性能优化补丁# 可选应用性能优化补丁 bash ../ltx2-patches/apply_perf_patches.sh性能优化补丁包含perf-001-rmsnorm-npu-fusion.patch使用torch_npu.npu_rms_norm融合算子替代RMSNorm可带来约7%的推理加速。环境配置复制运行脚本将补丁仓库中的运行脚本复制到LTX-2目录cp ../ltx2-patches/run_*.sh ../ltx2-patches/setup_env.sh .配置环境变量运行环境配置脚本设置必要的环境变量source setup_env.sh该脚本会自动检测CANN环境并配置相关路径输出类似以下信息 LTX-2 NPU 环境已配置 CANN: /usr/local/Ascend/ascend-toolkit NPU 设备数: 1推理运行支持的Pipeline当前补丁集仅显式适配并验证了单阶段pipelineTI2VidOneStagePipelineti2vid_one_stage。LTX-2上游共有11条推理pipeline按结构分为三组结构Pipeline当前补丁支持A 两阶段 · dev · Guided→SimpleTS / HQ / KF / A2V❌ 未适配B 两阶段 · distilled · Simple→SimpleDT / IC / LD / HDR❌ 未适配C 单阶段OS/ T2A / RT✅OS 已验证OS TI2VidOneStagePipeline单阶段text/image→video使用dev权重 GuidedDenoiser CFGLTX2Scheduler 30~40步。运行T2V推理文本→视频使用以下命令运行文本到视频的推理bash run_t2v.sh运行I2V推理图片→视频使用以下命令运行图片到视频的推理默认使用test/assets/single_person.jpg作为首帧bash run_i2v.sh自定义推理参数您可以通过环境变量自定义推理参数HEIGHT1080 WIDTH1920 NUM_FRAMES505 NUM_STEPS30 \ PROMPTA scenic mountain landscape with flowing river bash run_t2v.sh关键参数说明参数环境变量默认值说明提示词PROMPT脚本内置文本提示词高度HEIGHT480必须被32整除宽度WIDTH832必须被32整除帧数NUM_FRAMES25必须8k1如25, 89, 505推理步数NUM_STEPS10去噪步数越多质量越好加载LoRA推理您可以加载LoRA权重进行推理LORA/path/to/lora_weights.safetensors LORA_STRENGTH1.0 bash run_i2v.shOffload模式显存不足时当显存不足时可以使用Offload模式OFFLOADcpu bash run_i2v.shLoRA训练训练Pipeline说明LoRA训练使用ltx-trainer包位于packages/ltx-trainer/基于HuggingFace Accelerate PEFT。训练产出的LoRA权重增量加载到TI2VidOneStagePipeline中用于推理。完整流程数据预处理 → 训练 → LoRA权重 → 推理。数据预处理训练使用预处理后的latents不是原始视频文件。使用process_dataset.py将原始视频转换为latentspython packages/ltx-trainer/scripts/process_dataset.py \ /path/to/dataset.json \ --resolution-buckets 576x576x25 \ --model-path ./models/ltx-2.3-22b-dev.safetensors \ --text-encoder-path ./models/gemma-3-12b-it \ --device npu # 必须指定默认 cuda训练配置参考packages/ltx-trainer/configs/t2v_lora.yaml关键配置model: model_path: ./models/ltx-2.3-22b-dev.safetensors text_encoder_path: ./models/gemma-3-12b-it training_mode: lora # LoRA 训练 lora: rank: 32 # LoRA 秩 alpha: 32 # 缩放系数通常等于 rank target_modules: # 短模式匹配所有 attention 模块 - to_q - to_k - to_v - to_out.0 optimization: batch_size: 1 learning_rate: 0.0001 # 1e-4 steps: 100 # 验证用 100 步默认 2000 enable_gradient_checkpointing: true # 省显存22B 模型必需 acceleration: mixed_precision_mode: bf16 # NPU 原生支持 BF16 quantization: null # NPU 不支持 quanto 量化启动训练cd packages/ltx-trainer # 单卡训练 python scripts/train.py configs/t2v_lora.yaml使用训练产出的LoRA推理# 加载自训练 LoRA 进行 I2V 推理 LORA/path/to/lora_weights_step_00100.safetensors LORA_STRENGTH1.0 \ bash run_i2v.sh验证状态目前在昇腾910B2C上的验证状态如下能力状态说明T2V 推理✅ 已验证最高1080p / 20s505帧I2V 推理✅ 已验证最高1080p / 20sLoRA 推理加载✅ 已验证自训练LoRA 上游蒸馏LoRACPU/Disk Offload✅ 已验证低显存场景可用T2V LoRA 训练✅ 已验证rank 32100步单卡总结通过本指南您已经了解了如何在昇腾910B2C上部署LTX-2模型。从环境准备、项目克隆、补丁应用到推理运行和LoRA训练我们覆盖了整个流程的关键步骤。希望这份指南能帮助您顺利在昇腾NPU上体验LTX-2的强大视频生成能力如有任何问题请参考项目中的文档或提交issue寻求帮助。【免费下载链接】LTX-2项目地址: https://ai.gitcode.com/Ascend-SACT/LTX-2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何在昇腾910B2C上部署LTX-2超详细环境配置指南【免费下载链接】LTX-2项目地址: https://ai.gitcode.com/Ascend-SACT/LTX-2LTX-2是一款强大的视频生成模型本文将为您提供在昇腾910B2C上部署LTX-2的超详细环境配置指南帮助您快速上手这一先进的AI视频生成工具。昇腾910B2C环境要求在开始部署LTX-2之前需要确保您的昇腾910B2C环境满足以下要求项目版本基座镜像ascend-a2-ubuntu:v4.1.1CANN9.0.0PyTorch2.11.0cputorch_npu2.11.0.rc3Python3.13NPU 硬件910B2C (A2)基座镜像可以从Ascend-SACT的Docker仓库获取确保您的环境已正确安装上述依赖。项目克隆与准备克隆LTX-2上游仓库首先需要克隆LTX-2的上游仓库git clone https://github.com/Lightricks/LTX-2.git cd LTX-2 git checkout 9377758 # 或更新的 main 分支克隆补丁仓库本项目提供了将LTX-2适配到华为Ascend NPU的补丁集需要克隆补丁仓库# 在 LTX-2 的父目录下克隆补丁仓 git clone https://gitcode.com/Ascend-SACT/LTX-2.git ../ltx2-patches应用NPU适配补丁应用核心适配补丁在LTX-2目录中应用核心适配补丁# 在 upstream LTX-2 目录中应用核心适配补丁15 个 bash ../ltx2-patches/apply_patches.sh补丁通过git am --3way应用会为每个补丁创建一个commit。如遇冲突解决后执行git am --continue。应用性能优化补丁可选如果需要进一步提升性能可以应用性能优化补丁# 可选应用性能优化补丁 bash ../ltx2-patches/apply_perf_patches.sh性能优化补丁包含perf-001-rmsnorm-npu-fusion.patch使用torch_npu.npu_rms_norm融合算子替代RMSNorm可带来约7%的推理加速。环境配置复制运行脚本将补丁仓库中的运行脚本复制到LTX-2目录cp ../ltx2-patches/run_*.sh ../ltx2-patches/setup_env.sh .配置环境变量运行环境配置脚本设置必要的环境变量source setup_env.sh该脚本会自动检测CANN环境并配置相关路径输出类似以下信息 LTX-2 NPU 环境已配置 CANN: /usr/local/Ascend/ascend-toolkit NPU 设备数: 1推理运行支持的Pipeline当前补丁集仅显式适配并验证了单阶段pipelineTI2VidOneStagePipelineti2vid_one_stage。LTX-2上游共有11条推理pipeline按结构分为三组结构Pipeline当前补丁支持A 两阶段 · dev · Guided→SimpleTS / HQ / KF / A2V❌ 未适配B 两阶段 · distilled · Simple→SimpleDT / IC / LD / HDR❌ 未适配C 单阶段OS/ T2A / RT✅OS 已验证OS TI2VidOneStagePipeline单阶段text/image→video使用dev权重 GuidedDenoiser CFGLTX2Scheduler 30~40步。运行T2V推理文本→视频使用以下命令运行文本到视频的推理bash run_t2v.sh运行I2V推理图片→视频使用以下命令运行图片到视频的推理默认使用test/assets/single_person.jpg作为首帧bash run_i2v.sh自定义推理参数您可以通过环境变量自定义推理参数HEIGHT1080 WIDTH1920 NUM_FRAMES505 NUM_STEPS30 \ PROMPTA scenic mountain landscape with flowing river bash run_t2v.sh关键参数说明参数环境变量默认值说明提示词PROMPT脚本内置文本提示词高度HEIGHT480必须被32整除宽度WIDTH832必须被32整除帧数NUM_FRAMES25必须8k1如25, 89, 505推理步数NUM_STEPS10去噪步数越多质量越好加载LoRA推理您可以加载LoRA权重进行推理LORA/path/to/lora_weights.safetensors LORA_STRENGTH1.0 bash run_i2v.shOffload模式显存不足时当显存不足时可以使用Offload模式OFFLOADcpu bash run_i2v.shLoRA训练训练Pipeline说明LoRA训练使用ltx-trainer包位于packages/ltx-trainer/基于HuggingFace Accelerate PEFT。训练产出的LoRA权重增量加载到TI2VidOneStagePipeline中用于推理。完整流程数据预处理 → 训练 → LoRA权重 → 推理。数据预处理训练使用预处理后的latents不是原始视频文件。使用process_dataset.py将原始视频转换为latentspython packages/ltx-trainer/scripts/process_dataset.py \ /path/to/dataset.json \ --resolution-buckets 576x576x25 \ --model-path ./models/ltx-2.3-22b-dev.safetensors \ --text-encoder-path ./models/gemma-3-12b-it \ --device npu # 必须指定默认 cuda训练配置参考packages/ltx-trainer/configs/t2v_lora.yaml关键配置model: model_path: ./models/ltx-2.3-22b-dev.safetensors text_encoder_path: ./models/gemma-3-12b-it training_mode: lora # LoRA 训练 lora: rank: 32 # LoRA 秩 alpha: 32 # 缩放系数通常等于 rank target_modules: # 短模式匹配所有 attention 模块 - to_q - to_k - to_v - to_out.0 optimization: batch_size: 1 learning_rate: 0.0001 # 1e-4 steps: 100 # 验证用 100 步默认 2000 enable_gradient_checkpointing: true # 省显存22B 模型必需 acceleration: mixed_precision_mode: bf16 # NPU 原生支持 BF16 quantization: null # NPU 不支持 quanto 量化启动训练cd packages/ltx-trainer # 单卡训练 python scripts/train.py configs/t2v_lora.yaml使用训练产出的LoRA推理# 加载自训练 LoRA 进行 I2V 推理 LORA/path/to/lora_weights_step_00100.safetensors LORA_STRENGTH1.0 \ bash run_i2v.sh验证状态目前在昇腾910B2C上的验证状态如下能力状态说明T2V 推理✅ 已验证最高1080p / 20s505帧I2V 推理✅ 已验证最高1080p / 20sLoRA 推理加载✅ 已验证自训练LoRA 上游蒸馏LoRACPU/Disk Offload✅ 已验证低显存场景可用T2V LoRA 训练✅ 已验证rank 32100步单卡总结通过本指南您已经了解了如何在昇腾910B2C上部署LTX-2模型。从环境准备、项目克隆、补丁应用到推理运行和LoRA训练我们覆盖了整个流程的关键步骤。希望这份指南能帮助您顺利在昇腾NPU上体验LTX-2的强大视频生成能力如有任何问题请参考项目中的文档或提交issue寻求帮助。【免费下载链接】LTX-2项目地址: https://ai.gitcode.com/Ascend-SACT/LTX-2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
