最近在抖音上看到很多视频可以让图片动起来，搜了一下，stabilityai/stable-video-diffusion-img2vid-xt 这个模型可以实现图片到视频，可以生成 25 帧的视频。Kling 和 Runway 都支持从图片生成视频，本文将通过 ModelScope 搭建一个可以运行在本地的图片到视频的模型。

运行 ModelScope

这里使用容器的方式运行 ModelScope，关于容器的信息，详见官网介绍
https://modelscope.cn/docs/%E7%8E%AF%E5%A2%83%E5%AE%89%E8%A3%85

1. /opt/modelscope/models:/mnt/workspace/.cache， 将模型下载路径映射到主机上，模型数据可以保留
2. /opt/modelscope/notebook:/notebook，notebook 数据进行保留
3. -p 8890:8888 -p 8891-8895:8891-8895，根据需要映射端口

docker run --rm --runtime=nvidia  --shm-size=32g --gpus all  -p 8890:8888 -p 8891-8895:8891-8895 \
-v /opt/modelscope/models:/mnt/workspace/.cache \
-v /opt/modelscope/notebook:/notebook \
 -it registry.cn-beijing.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.1.0-py310-torch2.1.2-tf2.14.0-1.13.1 /bin/bash 

运行模型

下载模型

from diffusers import DiffusionPipeline
from modelscope import snapshot_download

model_dir = snapshot_download("AI-ModelScope/stable-video-diffusion-img2vid-xt")

运行模型

import torch
from diffusers import StableVideoDiffusionPipeline
from diffusers.utils import load_image, export_to_video
pipe = StableVideoDiffusionPipeline.from_pretrained(model_dir, torch_dtype=torch.float16, variant="fp16")

pipe.enable_model_cpu_offload()

# Load the conditioning image
image = load_image("route-fifty-lead-image.jpg")
image = image.resize((1024, 576))

generator = torch.manual_seed(44)
frames = pipe(image, decode_chunk_size=8, generator=generator).frames[0]

export_to_video(frames, "generated.mp4", fps=7)

原图

生成的视频

总结

ModelScope 最大的优点就是安装了所有运行模型需要的依赖库，可以说是一键运行。下载模型速度也非常快，能够快速体验所有的模型，如果本地没有资源也可以是使用 ModelScope 提供的工作空间，需要付费。

本文使用的环境

操作系统 Ubuntu、GPU 2080ti 22G。