# **上新：** Seedance mini1.0上新 t2v LoRA训练！ **Seedance mini1.0 t2v[新]**

**Seedance 1.0 i2v**

> 直接体验地址[Lumi智能视频](https://console.volcengine.com/lumi/video-create?from=home_sidebar)

|

|

|

|\ |T2V任务适用模型

|I2V任务适用模型

|首尾帧任务适用模型

|\ | | | | |---|---|---| |[上新]Seedance mini t2v 1.0|1. Seedance mini1.0 i2v|1. Seedance mini1.0 首尾帧|\ |![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_efa3618c3aed37c5450c277f86cddf77.png) |||\ | |

|

|\ | |

|

|\ | |||\ | |||\ | |2. Seaweed i2v|2. Seaweed 首尾帧|\ | |||\ | |

|

|\ | |

|

|\ | | | |

1. ## LoRA训练目前，视频LoRA主要支持T2V、I2V和首尾帧任务。可用于特定真实行为（如拥抱、贴贴、亲脸）或者特定变化（如捏扁、膨胀、变身、换装等）的学习。对于T2V、I2V和首尾帧这两种视频LoRA，首尾帧LoRA稳定性更高，训练起来更加容易，在尾帧可以通过图像算法生成的情况下，尽量构造首尾帧任务用于视频LoRA的训练。 * T2V：在应用层面，用户输入文字，模型根据文字描述生成视频 * I2V：在应用层中，用户输入图片，将用户输入图给模型生成变化 * 首尾帧：学习首帧到尾帧的变化，首尾帧的差异尽可能大。在应用层中，用户输入首帧，底层可调用seededit等模型生成尾帧，最后将首尾帧一起输入给模型 > 功能教程视频LoRA训练主要包含训练集收集、训练集前处理、文本打标、设置LoRA训练参数四个步骤，前三个步骤对于目标效果起决定性作用。 ### 训练集 > 视频通用训练素材集「收集方式与标准」 **素材标准** 1. 变化过程必须符合目标效果定义，且尽可能统一，如差别较大，需分类后打标 2. 对于首尾帧任务，需要保证尾帧样式和目标尾帧基本一致 3. 覆盖场景尽可能丰富，如人像、宠物、风景、近景、远景、特写等 4. 视频长度小于或者等于期望生成效果的目标长度 5. 分辨率越高越好，长宽比多样性越强越好 6. **素材量**在保证符合以上标准的情况下越多越好，**一般要求大于40条** |

|

|\ |步骤

|说明

|\ | | | |---|---| |

|> 素材很难收集的解决方案：|\ |训练素材

|> 收集或者拍摄15条左右素材，然后训练LoRA。采用训练好的LoRA批量生成素材，然后筛选符合目标效果素材。采用此模式进行迭代，逐渐获得全场景的、素材量足够的目标效果素材，完成终版模型训练|\ |||\ |

||\ |

|1. 从网上爬取，从影视剧中收集（如拥抱）|\ | |2. 采用已有的视频基础模型（如seaweed、Seedance等）批量生成，基于目标效果进行筛选|\ | |3. 实拍，主要是偏真实场景的效果，（如拥抱、亲吻）|\ | |4. 采用渲染链路构造目标素材，效果的定义需要比较精细化|\ | |5. 快速追热，可以直接采用竞品批量生成目标效果素材，进行筛选 | |

|素材前处理主要是为了构造符合素材标准的训练素材，常用方法有以下几种：|\ |素材前处理

||\ | |1. 视频切片，构造符合目标长度和目标效果的视频素材|\ | |2. 视频裁剪，扩充视频素材长宽比的多样性|\ | |3. 视频变速，构建目标效果和目标时长的视频素材|\ | |4. 视频超分，保证视频素材有较高的分辨率 | |

|文本打标方式，目前基于任务类型可以分为两类：|\ |文本打标

||\ | |1. **真实场景**：即一些特定的行为或者动作，如拥抱、亲吻等，采用常规打标，对视频中的动作、人物穿着、背景等进行简单描述|\ | |2. 特定**非真实变化**：即一些特效变化，如捏扁、膨胀、换装等，采用特殊词打标，直接用**罕见词+代表变化的名词**进行打标 | ### 训练参数 |