К содержимому
Видео

ZYLU-SWAP v1

замена человека в видео по фото

2 мин чтенияобновлено

Модель заменяет персонажа в исходном видео на человека с 1–2 референсных изображений, при этом сохраняет оригинальные движения и фон. Она построена на архитектуре DiT (диффузионный трансформер) на 263M параметров, обучена с нуля методом Rectified Flow и работает в латентном пространстве stabilityai/sd-vae-ft-mse. От аналогов решение отличается тем, что переносит скелет и силуэт исходного человека с помощью YOLOv8, а затем вклеивает сгенерированного персонажа обратно в оригинальную сцену по маске. Пригодится исследователям и разработчикам для прототипирования пайплайнов переноса движений и подмены людей в вертикальных роликах.

Ключевые особенности

  • Контроль позы и формы: для выделения силуэта и скелета на этапе подготовки данных и управления генерацией используются YOLOv8-seg и YOLOv8-pose.
  • Обработка длинных роликов: видео генерируется блоками по 16 кадров с перекрытием в 4 кадра для плавности переходов.
  • Компактная архитектура: генератор на 263M параметров обучен с нуля на 2693 реальных видеоклипах с людьми из датасетов Human-Image-Animation-Data и human-motion.
  • Формат весов: модель выложена в виде zylu_swap_v1.safetensors (EMA, точность bf16) с файлом конфигурации config.json.

Что можно сделать

  • Подменить актёра в вертикальном ролике: загрузить видео в формате 9:16 с человеком в кадре и 1–2 фото другого человека, чтобы перенести на него исходную пластику.
  • Протестировать пайплайн DiT + YOLO: использовать веса как базу для дообучения или экспериментов с заменой персонажей без перерисовки заднего плана.

Пример

Сценарий работы из карточки: на вход подаётся исходное видео с видимым человеком и 1–2 референсных изображения нового персонажа. Пайплайн извлекает скелет и маску через YOLOv8, генерирует новое тело в разрешении 384×224 (9:16) батчами по 16 кадров с нахлёстом в 4 кадра и композитит результат поверх исходного фона по маске.

ПодробнееСтатус: промежуточный чекпоинт (1494 шага обучения).
Метрики на валидации (по области человека): psnr_pessoa — 15.6486, cor_da_ref_na_troca — 0.1709, flicker_ratio — 1.0297.
Ограничения: низкое разрешение (384×224), слабая детализация лица и рук, новый персонаж строго ограничен силуэтом исходного, в кадре обязательно должен присутствовать человек.
Обсудить Telegram 0 108

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы3.6 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB3.3 GB
  • 4-bitвеса 0.1 GB3.2 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # caikybaldo999/zylu-swap-v1
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download caikybaldo999/zylu-swap-v1 --local-dir ~/models/zylu-swap-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к zylu-swap-v1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии zylu-swap-v1 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

caikybaldo999/zylu-swap-v1
Автор
caikybaldo999
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

1080

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии