Cog
CogVideoのシステム要件: VRAM、GPU、ハードウェアガイド
CogVideoXをローカルで実行するために必要なすべて。CogVideoX-2B、5B、5B-I2Vの正確なVRAM、GPU、システム要件をまとめました。適したGPUをお持ちでなくても、オンラインで無料で動画を生成できます。
クイックアンサー
最低 約4 GBのVRAM (CogVideoX-2B、最適化時) · 推奨は 12 GB (RTX 3060) · または GPU不要でオンラインで無料で実行。
モデル別のCogVideoX VRAM要件
diffusersの最適化を有効にした単一GPUでの推論時VRAM (enable_model_cpu_offload、vae.enable_tilingなど)。無効にするとVRAMのピークが約3倍に増えます。
| モデル | 推論 (最適化時) | INT8量子化 | 最適化なし | ファインチューニング (LoRA) |
|---|---|---|---|---|
| CogVideoX-2B | 4 GBから (FP16) | 3.6 GBから (INT8) | 約3倍 (約12 GB以上) | 47 GB (LoRA) |
| CogVideoX-5B | 5 GBから (BF16) | 4.4 GBから (INT8) | 約3倍 (約15 GB以上) | 63 GB (LoRA) |
| CogVideoX-5B-I2V (画像から動画) | 5 GBから (BF16) | 4.4 GBから (INT8) | 約3倍 (約15 GB以上) | 63 GB (LoRA) |
ファインチューニングの数値はNVIDIA A100/H100を対象としています。CogVideoX1.5-5Bはより高い解像度と長いクリップを想定しているため、VRAMもそれに応じて多くなると見込んでください。
推奨GPU
最低 · 6〜8 GBのVRAM
例: RTX 2060、RTX 3050、GTX 1660
INT8量子化とCPUオフロードを有効にすれば動作します。生成は遅いものの、CogVideoX-2B/5Bを実用的に使えます。
推奨 · 12 GBのVRAM
例: RTX 3060 12GB、RTX 4070
最適化を有効にすれば、CogVideoX-2Bと5Bの両方を快適に実行できます。ローカル利用に最適なコストパフォーマンスです。
ハイパフォーマンス · 24 GBのVRAM
例: RTX 3090、RTX 4090、A5000
メモリ最適化なしで実行でき、推論が最速になるほか、より高い解像度や長いクリップにも対応できます。
ファインチューニング · 48〜80 GBのVRAM
例: A100、H100
LoRAによるファインチューニングに必要です (バッチサイズ1で2Bは47 GB、5Bは63 GB)。
ローカルのソフトウェアとシステム要件
- オペレーティングシステム: Linux (Ubuntu 20.04以降) またはWindows 10/11 (WSL2を推奨)。
- Python 3.10以降 (環境構築にはAnacondaを推奨)。
- CUDA 12.x対応でビルドされたPyTorch 2.x。
- diffusers >= 0.30.3 (INT8/FP8量子化に対応するのはdiffusers版のみ)。
- 最新のドライバーを備えたNVIDIA GPU。量子化を使えば無料のColab T4にも収まります。
- システムRAM: 最低16 GB、推奨32 GB。
- ディスク容量: モデルの重みと依存関係に約20〜40 GB。
ローカルインストールは初めてですか？ インストール手順についてはCogVideoの使い方ガイドをご覧いただくか、GitHubの公式ドキュメントをご確認ください。
オンラインの要件 (GPU不要)
よくある質問
CogVideoを実行するにはどのくらいのVRAMが必要ですか？
diffusersのメモリ最適化を有効にすると、CogVideoX-2Bは約4 GBのVRAM (INT8で3.6 GB)、CogVideoX-5Bは約5 GB (INT8で4.4 GB) から動作します。これらの最適化を無効にすると、VRAMのピークが約3倍になります。快適に使うには、RTX 3060のような12 GBのGPUを推奨します。
RTX 3060でCogVideoXを実行できますか？
はい。12 GBのRTX 3060は、diffusersの標準的な最適化を有効にすれば、CogVideoX-2BとCogVideoX-5Bの両方を快適に実行できます。CogVideoXをローカルで生成する際の、おすすめのエントリーレベルのカードです。
GPUなしでCogVideoを実行できますか？
ローカルでは、実用的な速度では実行できません。CogVideoXにはNVIDIA GPUが必要です。お持ちでない場合は、CogVideo Onlineを使えば、テキストから動画、画像から動画、動画から動画を、ブラウザ上でGPUもインストールも不要で無料で生成できます。
CogVideoXの最低システム要件は何ですか？
Python 3.10以降、CUDA 12.x対応のPyTorch 2.x、diffusers >= 0.30.3、最低6〜8 GBのVRAMを備えたNVIDIA GPU、16 GBのシステムRAM、そしてモデルの重み用に約20〜40 GBの空きディスク容量です。
CogVideo / CogVideoXとは何ですか？
CogVideo (および新しいCogVideoXファミリー: 2B、5B、5B-I2V) は、THUDM/Zhipu AIが開発したオープンソースのテキストから動画および画像から動画の生成モデルです。ローカルで実行することも、ここCogVideoでオンラインで無料で利用することもできます。