Container Compute Service:DeepGPU を使用した Wan2.1 ビデオ生成の高速化

背景情報

前提条件

開始する前に、次のことを確認してください。

• ACS アカウントの権限付与。ACS を初めて使用する場合は、ACS が Elastic Compute Service (ECS)、Object Storage Service (OSS)、Apsara File Storage NAS、Cloud Parallel File Storage (CPFS)、および Server Load Balancer (SLB) にアクセスできるように、デフォルトロールを割り当ててください。詳細については、「初めての ACS ユーザー向けクイックスタート」をご参照ください。

• L20 (GN8IS) または G49E GPU カードを搭載した ACS GPU クラスター

• モデルファイルを保存するための NAS または OSS 永続ボリューム。このガイドでは NAS ボリュームを使用します。設定手順については、「NAS ファイルシステムをボリュームとして作成する」または「静的にプロビジョニングされた OSS ボリュームを使用する」をご参照ください。

• ローカル環境に Git がインストールされていること。詳細については、「Git ダウンロード」をご参照ください。

ステップ 1: モデルデータの準備

NAS ボリュームがマウントされているディレクトリで、次のコマンドを実行します。

1. ComfyUI リポジトリをクローンします。

   git clone https://github.com/comfyanonymous/ComfyUI.git

2. 3 つの Wan2.1 モデルファイルを対応する ComfyUI ディレクトリにダウンロードします。ファイルは ModelScope の Wan_2.1_ComfyUI_repackaged プロジェクトでホストされています。

   • 拡散モデル (wan2.1_t2v_14B_fp16.safetensors):

     cd ComfyUI/models/diffusion_models
     wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/diffusion_models/wan2.1_t2v_14B_fp16.safetensors

   • VAE (wan_2.1_vae.safetensors):

     cd ComfyUI/models/vae
     wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/vae/wan_2.1_vae.safetensors

   • テキストエンコーダー (umt5_xxl_fp8_e4m3fn_scaled.safetensors):

     cd ComfyUI/models/text_encoders
     wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors

   ダウンロードには約 30 分かかります。接続が遅い場合は、開始する前にピークパブリック帯域幅を増やしてください。

3. ComfyUI-deepgpu プラグインをダウンロードして抽出します。

   cd ComfyUI/custom_nodes
   wget https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/nodes/20250513/ComfyUI-deepgpu.tar.gz
   tar zxf ComfyUI-deepgpu.tar.gz

ステップ 2: ComfyUI サービスのデプロイ

1. ACS コンソールにログインします。左側のナビゲーションウィンドウで、[クラスター] を選択します。対象のクラスター名をクリックします。次に、[ワークロード] > [デプロイメント] を選択し、[YAML から作成] をクリックします。

2. 次の YAML マニフェストを貼り付けて、[Create] をクリックします。

   persistentVolumeClaim.claimName を、お使いの永続ボリューム要求 (PVC) の名前に置き換えます。 この例では、イメージのプル時間を最小化するために、cn-beijing リージョンから inference-nv-pytorch 25.07 イメージを使用します。 このイメージを他のリージョンから使用するには、使用方法

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     labels:
       app: wanx-deployment
     name: wanx-deployment-test
     namespace: default
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: wanx-deployment
     template:
       metadata:
         labels:
           alibabacloud.com/compute-class: gpu
           alibabacloud.com/compute-qos: default
           alibabacloud.com/gpu-model-series: L20 #Supported GPU card types: L20 (GN8IS), G49E
           app: wanx-deployment
       spec:
         containers:
         - command:
           - sh
           - -c
           - DEEPGPU_PUB_LS=true python3 /mnt/ComfyUI/main.py --listen 0.0.0.0 --port 7860
           image: acs-registry-vpc.cn-beijing.cr.aliyuncs.com/egslingjun/inference-nv-pytorch:25.07-vllm0.9.2-pytorch2.7-cu128-20250714-serverless
           imagePullPolicy: Always
           name: main
           resources:
             limits:
               nvidia.com/gpu: "1"
               cpu: "16"
               memory: 64Gi
             requests:
               nvidia.com/gpu: "1"
               cpu: "16"
               memory: 64Gi
           terminationMessagePath: /dev/termination-log
           terminationMessagePolicy: File
           volumeMounts:
           - mountPath: /dev/shm
             name: cache-volume
           - mountPath: /mnt #/mnt is the path in the pod where the NAS volume claim is mapped
             name: data
         dnsPolicy: ClusterFirst
         restartPolicy: Always
         schedulerName: default-scheduler
         securityContext: {}
         terminationGracePeriodSeconds: 30
         volumes:
         - emptyDir:
             medium: Memory
             sizeLimit: 500G
           name: cache-volume
         - name: data
           persistentVolumeClaim:
             claimName: wanx-nas #wanx-nas is the volume claim created from the NAS volume
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: wanx-test
   spec:
     type: LoadBalancer
     ports:
       - port: 7860
         protocol: TCP
         targetPort: 7860
     selector:
       app: wanx-deployment

   このマニフェストの主要なパラメーター:

   パラメーター	説明
   alibabacloud.com/gpu-model-series	GPU カードタイプ。サポートされている値: L20 (GN8IS インスタンス) および G49E。
   nvidia.com/gpu: "1"	コンテナに 1 つの GPU を要求します。
   resources.limits/requests	CPU を 16 コア、メモリを 64 GiB に設定します。
   /dev/shm emptyDir (sizeLimit: 500G)	共有メモリボリュームは /dev/shm にマウントされます。大規模モデル推論に必要です。
   mountPath: /mnt	NAS ボリュームがマッピングされる Pod 内のパスです。ComfyUI およびモデルファイルはこのパスからアクセスされます。
   persistentVolumeClaim.claimName	ご利用の PVC の名前です。wanx-nas を実際の PVC 名に置き換えてください。

3. 表示されたダイアログで、[表示] をクリックして、ワークロードの詳細ページを開きます。[ログ] タブをクリックします。サービスが正常に起動すると、ログ出力は次のようになります：

   

ステップ 3: ComfyUI インターフェイスへのアクセス

1. ワークロード詳細ページで、[アクセス方法] タブをクリックして、サービスの外部エンドポイント (8.xxx.xxx.114:7860 など) を取得します。

   

2. ブラウザで http://8.xxx.xxx.114:7860/ を開きます。

   初めて URL にアクセスする場合、ロードに約 5 分かかる場合があります。

3. ComfyUI インターフェイスで任意の場所を右クリックし、[ノードの追加] をクリックすると、プラグインから利用可能な [DeepGPU] ノードを閲覧できます。ApplyDeepyTorch ノードは、GPU レベルのアクセラレーションを適用することで、拡散モデルの推論を最適化します。ワークフロー内の最後のモデル読み込みノードの後に挿入します。ノードは次のようになります:

   

   

ステップ 4: 高速化されたワークフローの実行

次の事前に構築された Wan2.1 ワークフローのいずれか、または両方をローカルマシンにダウンロードします。

• 画像-to-ビデオ ワークフロー: https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_image_to_video_wan_1.3b_deepytorch.json

• テキスト-to-ビデオ ワークフロー: https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_text_to_video_wan_deepytorch.json

次の手順では、高速化されたテキスト-to-ビデオ ワークフローを例として使用します。

1. ComfyUI で、ワークフロー ＞ 開く を選択し、ダウンロード済みの workflow_text_to_video_wan_deepytorch.json ファイルを選択します。

2. 「[DeepyTorch を拡散モデルに適用]」ノードを見つけます。その[有効]パラメーターを[true]に設定します。

   DeepyTorch で高速化されたワークフローは、Load Diffusion Model ノードの後に ApplyDeepyTorch ノードを挿入します。

   

3. [実行] をクリックして、動画の生成を待ちます。

4. 左側にある [キュー] ボタンをクリックして、生成時間を表示し、出力のプレビューを確認します。

   最初の実行は、モデルがウォームアップするため、その後の実行よりも時間がかかります。安定したパフォーマンスを確認するには、ワークフローをさらに 2、3 回実行してください。

   

5. (オプション) 高速化なしで生成時間を比較するには、ComfyUI サービスを再起動し、高速化されていないワークフロー (https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_text_to_video_wan.json) を実行します。