Alibaba Cloud Model Studio:ファインチューニングジョブの作成

batch_size

int

はい

バッチサイズ。1 回のトレーニング反復で処理されるデータサンプルの数。

• wan2.7-i2v：推奨 1。
• wan2.6-i2v：推奨 1。
• wan2.5-i2v-preview：推奨 4。
• wan2.2-i2v-flash：推奨 4。
• wan2.2-kf2v-flash：推奨 4。

モデルによって異なります

n_epochs

int

はい

トレーニングエポック数。総ステップ数は、steps = n_epochs × ⌈データセットサイズ / batch_size⌉ として計算されます。合計で最低 800 ステップが推奨されます。

例：データセットに 5 つのサンプルがあり、batch_size = 2 の場合、エポックあたりのステップ数 = ⌈5/2⌉ = 3 です。最小の n_epochs は 800/3 ≈ 267 となります。

推奨されるエポック数は、データセットサイズに基づいて自動的に調整されます。サンプル数が少ないほど、十分な学習のために多くのエポックが必要になりますが、データセットが大きいほどエポックあたりのサンプル数が多くなるため、必要なエポック数は少なくなります。デフォルトの 50 エポックは、主に非常に小規模なデータセット (約 2 サンプル) に適しています。50〜60 本のビデオからなるデータセットの場合、一般的に約 3,000〜5,000 ステップのトレーニングが推奨されます。

50

learning_rate

float

はい

学習率。トレーニング中のモデルの重み更新の大きさを制御します。値が高すぎるとモデルのパフォーマンスが低下する可能性があり、低すぎると変化がごくわずかになる可能性があります。

2e-5

eval_epochs

int

はい

検証間隔。検証を実行し、チェックポイントを保存するエポック単位の間隔。値は ≥ n_epochs/10 である必要があります。

20

max_pixels

int

はい

トレーニングビデオの最大解像度 (総ピクセル数 = 幅 × 高さ)。システムは、この値を超えるビデオのみをサイズ変更します。

• wan2.7-i2v：推奨 102400。範囲： 36864–123904。
• wan2.6-i2v：推奨 36864。範囲： 16384–36864。
• wan2.5-i2v-preview：推奨 36864。範囲： 16384–36864。
• wan2.2-i2v-flash：推奨 262144。範囲： 65536–262144。
• wan2.2-kf2v-flash：推奨 262144。範囲： 65536–262144。

モデルによって異なります

split

float

いいえ

トレーニングセットの分割比率。データセットのうちトレーニングに使用される割合で、有効範囲は (0, 1) です。このパラメーターは、validation_file_ids が指定されている場合は無視されます。

0.9

max_split_val_dataset_sample

int

いいえ

自動分割検証セットの最大サンプル数。検証セットのサイズは、total_samples × (1 − split) の結果とこのパラメーターの値の小さい方になります。

5

save_total_limit

int

いいえ

チェックポイントの保存上限。保持する最新のチェックポイントの最大数。この上限を超えると、システムは古いチェックポイントを削除します。

10

lora_rank

int

いいえ

LoRA ランク。LoRA の低ランク行列のランク (ディメンション)。16、32、64 などの 2 のべき乗 (2ⁿ) である必要があります。

32

lora_alpha

int

いいえ

LoRA アルファ。LoRA の重みのスケーリング係数。16、32、64 などの 2 のべき乗 (2ⁿ) である必要があります。

32

max_steps

int

はい

総トレーニングステップ数。総トレーニング反復回数を決定するコアパラメーター。モデルの収束を確実にするために最低 500 ステップを推奨し、より大きなデータセットにはより高い値を推奨します。

800

eval_steps

int

はい

検証間隔。値は ≥ 0 である必要があります。トレーニング中にモデルを評価する頻度 (ステップ単位) を指定します。各間隔でチェックポイントも保存されます。

200

learning_rate

float

はい

学習率。モデルの重み更新の大きさを制御します。値が高すぎるとモデルのパフォーマンスが低下する可能性があり、低すぎると変化がごくわずかになる可能性があります。デフォルト値を使用することを推奨します。

3e-5

generation_type

string

はい

生成モード。Text-to-Image には "t2i" を、Image-to-Image には "i2i" を使用します。この設定は、トレーニングデータのフォーマットと推論メソッドを決定します。

t2i

max_pixels

string

はい

トレーニング画像の最大解像度。例：「1k」または「2k」(1K = 1024×1024、2K = 2048×2048)。トレーニングセット内の画像の総ピクセル数 (幅 × 高さ) の上限を設定します。システムはこの値を超える画像のみを縮小し、制限以下の画像は変更されません。3 つの解像度関連パラメーター (max_pixels、max_token_length、val_img_size) を一貫させることを推奨します。

Text-to-Image：「2k」
Image-to-Image：「1k」

val_img_size

string

はい

検証画像生成の解像度。例：「1k」または「2k」(1K = 1024×1024、2K = 2048×2048)。検証評価中に生成される画像の目標解像度。

Text-to-Image：「2k」
Image-to-Image：「1k」

max_token_length

string

はい

ステップごとの最大トークン長。例：「1k」または「2k」。このパラメーターは、max_steps とともにトレーニングプロセスを制御します。max_steps は反復回数を決定し、max_token_length は各ステップで処理されるデータ量を決定します。

Text-to-Image：「2k」
Image-to-Image：「1k」

gradient_clip

float

はい

勾配クリッピング。すべての学習可能なパラメーターにわたるグローバルな勾配ノルムクリッピングのしきい値で、勾配爆発を防ぐために使用されます。クリッピングを無効にするには -1 に設定します。

0.5

weight_decay

float

はい

重み減衰。AdamW オプティマイザーの分離された重み減衰係数。すべての学習可能なパラメーターに適用され、過学習を防ぐための正則化に使用されます。

0.02

lora_rank

int

はい

LoRA ランク。LoRA の低ランク行列のランク (ディメンション)。この値は、ファインチューニングのための学習可能なパラメーターの数を決定します。値が大きいほどモデルの適合能力は向上しますが、トレーニングは遅くなります。値は 2 のべき乗 (例：16、32、64) である必要があります。

32

save_total_limit

int

いいえ

チェックポイントの保存上限。保存するモデルチェックポイントの最大数。システムは、この値である N 個の最新のチェックポイントのみを保持します。

10

split

float

いいえ

トレーニングセットの分割比率。値の範囲は (0, 1) です。このパラメーターは、validation_file_ids が指定されていない場合にのみ有効になります。このパラメーターは、トレーニングセットの一部を自動的に分割して検証セットとして使用するために使用されます。たとえば、値 0.9 は、データの 90% がトレーニングセットとして使用され、10% が検証セットとして使用されることを意味します。

0.9