Wav2Lip训练基于DevServer适配PyTorch NPU训练指导（6.3.907）

本文档主要介绍如何在ModelArts Lite的DevServer环境中，使用NPU卡训练Wav2Lip模型。本文档中提供的Wav2Lip模型，是在原生Wav2Lip代码基础上适配后的模型，可以用于NPU芯片训练。

Wav2Lip是一种基于对抗生成网络的由语音驱动的人脸说话视频生成模型。主要应用于数字人场景。不仅可以基于静态图像来输出与目标语音匹配的唇形同步视频，还可以直接将动态的视频进行唇形转换，输出与输入语音匹配的视频，俗称“对口型”。该技术的主要作用就是在将音频与图片、音频与视频进行合成时，口型能够自然。

Wav2Lip模型的输入为任意的一段视频和一段语音，输出为一段唇音同步的视频。

Wav2Lip的网络模型总体上分成三块：生成器、判别器和一个预训练好的唇音同步判别模型Pre-trained Lip-sync Expert。

生成器是基于encoder-decoder的网络结构，分别利用2个encoder（speech encoder和identity encoder）去对输入的语音和视频人脸进行编码，并将二者的编码结果进行拼接，送入到face decoder中进行解码得到输出的视频帧。
判别器Visual Quality Discriminator对生成结果的质量进行规范，提高生成视频的清晰度。
引入预训练的唇音同步判别模型Pre-trained Lip-sync Expert，作为衡量生成结果的唇音同步性的额外损失，可以更好的保证生成结果的唇音同步性。

方案概览

本方案介绍了在ModelArts的DevServer上使用昇腾计算资源开展Wav2Lip训练的详细过程。完成本方案的部署，需要先联系您所在企业的华为方技术支持购买DevServer资源。

本方案目前仅适用于企业客户。

资源规格要求

推荐使用“西南-贵阳一”Region上的DevServer资源和Ascend Snt9B单机单卡。

表1 环境要求
名称	版本
driver	23.0.6
PyTorch	pytorch_2.1.0

获取软件和镜像

表2 获取软件和镜像
分类	名称	获取路径
插件代码包	AscendCloud-6.3.907-xxx.zip软件包中的AscendCloud-AIGC-6.3.907-xxx.zip 说明：包名中的xxx表示具体的时间戳，以包名的实际时间为准。	获取路径：Support-E 说明：如果上述软件获取路径打开后未显示相应的软件信息，说明您没有下载权限，请联系您所在企业的华为方技术支持下载获取。
基础镜像	西南-贵阳一： swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.0.rc2-py_3.9-hce_2.0.2312-aarch64-snt9b-20240727152329-0f2c29a	从SWR拉取。

约束限制

本文档适配昇腾云ModelArts 6.3.907版本，请参考表2获取配套版本的软件包和镜像，请严格遵照版本配套关系使用本文档。
确保容器可以访问公网。

Step1 准备环境

请参考DevServer资源开通，购买DevServer资源，并确保机器已开通，密码已获取，能通过SSH登录，不同机器之间网络互通。

当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问Openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。
SSH登录机器后，检查NPU设备检查。运行如下命令，返回NPU设备信息。
```
npu-smi info                    # 在每个实例节点上运行此命令可以看到NPU卡状态
npu-smi info -l | grep Total    # 在每个实例节点上运行此命令可以看到总卡数
```
如出现错误，可能是机器上的NPU设备没有正常安装，或者NPU镜像被其他容器挂载。请先正常安装固件和驱动，或释放被挂载的NPU。

检查docker是否安装。

docker -v   #检查docker是否安装

如尚未安装，运行以下命令安装docker。

yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64

配置IP转发，用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值，如果为1，可跳过此步骤。
```
sysctl -p | grep net.ipv4.ip_forward
```
如果net.ipv4.ip_forward配置项的值不为1，执行以下命令配置IP转发。
```
sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf
sysctl -p | grep net.ipv4.ip_forward
```

Step2 获取基础镜像

建议使用官方提供的镜像部署服务。镜像地址{image_url}参见表2。

docker pull {image_url}

Step3 启动容器镜像

启动容器镜像。启动前请先按照参数说明修改${}中的参数。
```
export work_dir="自定义挂载的工作目录"
export container_work_dir="自定义挂载到容器内的工作目录"
export container_name="自定义容器名称"
export image_name="镜像名称或ID"
// 启动一个容器去运行镜像 
docker run  -itd --net=bridge \
    -p 8080:8080 \
    --device=/dev/davinci0 \
    --device=/dev/davinci_manager \
    --device=/dev/devmm_svm \
    --device=/dev/hisi_hdc \
    --shm-size=32g \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
    -v /var/log/npu/:/usr/slog \
    -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
    -v ${work_dir}:${container_work_dir} \
    --name ${container_name} \
    ${image_name} \
    /bin/bash
```
参数说明：
- -v ${work_dir}:${container_work_dir}：代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。work_dir为宿主机中工作目录，目录下存放着训练所需代码、数据等文件。container_work_dir为要挂载到的容器中的目录。为方便两个地址可以相同。
  - 容器不能挂载到/home/ma-user目录，此目录为ma-user用户家目录。如果容器挂载到/home/ma-user下，拉起容器时会与基础镜像冲突，导致基础镜像不可用。
  - driver及npu-smi需同时挂载至容器。
- --name ${container_name}：容器名称，进入容器时会用到，此处可以自己定义一个容器名称。
- -p 8080:8080：开启一个端口，可以web访问（如冲突，可自行更换其他端口）。
- ${image_name}：容器镜像的名称。
通过容器名称进入容器中。默认使用ma-user用户，后续所有操作步骤都在ma-user用户下执行。
```
docker exec -it ${container_name} bash
```

Step4 安装依赖和软件包

从github拉取Wav2Lip代码。
```
cd /home/ma-user
git clone https://github.com/Rudrabha/Wav2Lip.git
cd /home/ma-user/Wav2Lip
git reset --hard f361e9527b917a435928a10
```
如果出现报错SSL certificate problem: self signed certificate in certificate chain

图1 报错SSL certificate problem

可采取忽略SSL证书验证：使用以下命令来克隆仓库，它将忽略SSL证书验证。
```
git clone -c http.sslVerify=false https://github.com/Rudrabha/Wav2Lip.git
```

安装Wav2Lip Ascend软件包。

将获取到的Wav2Lip Ascend软件包AscendCloud-AIGC-*.zip文件上传到容器的/home/ma-user目录下。获取路径：Support网站。

解压AscendCloud-AIGC-*.zip文件，解压后将里面指定文件与对应Wave2Lip文件进行替换。

cd  /home/ma-user
unzip AscendCloud-AIGC-*.zip -d ./AscendCloud
cp AscendCloud/multimodal_algorithm/Wav2Lip/train/f361e9527b917a435928a10/* /home/ma-user/Wav2Lip/
rm -rf AscendCloud*

AscendCloud-AIGC-*.zip后面的*表示时间戳，请按照实际替换。

要替换的文件目录结构如下所示：

|---Wav2Lip_code/
       --- requirements.txt           #建议的依赖包版本

注：需要对以下文件进行修改
 --- color_syncnet_train.py     #训练expert discriminator唇形同步鉴别器
 --- wav2lip_train.py           #训练 Wav2Lip 模型
 --- preprocess.py              #对初始视频数据进行推理
       在以上三个文件内import末尾增加import如下：
          import torch_npu
          from torch_npu.contrib import transfer_to_npu

安装Python依赖包，文件为requirements.txt文件。
```
pip install -r requirements.txt
```

Step5 训练Wav2Lip模型

准备预训练模型。下载需要使用的预训练模型。
- 人脸检测预训练模型，下载链接。
- 专家唇形同步鉴别器，下载链接，此链接是官方提供的预训练模型。训练Wav2Lip模型时需要使用专家唇形同步鉴别器，用户可以用自己的数据训练，也可以直接使用官方提供的预训练模型。
处理初始视频数据集。
1. 将下载好的人脸检测预训练模型修改名字为s3fd.pth，上传到/home/ma-user/Wav2Lip/face_detection/detection/sfd/s3fd.pth目录。
2. 下载LRS2数据集。数据集文件夹结构如下：
```
├── LRS2_partly
|     ├── main
|     │   ├── five-digit numbered video IDs ending with (.mp4)
|     │   ├── 00001.mp4
|     │   ├── 00002.mp4
```
3. 对数据集进行预处理。具体命令如下。
```
python preprocess.py --data_root ./LRS2_partly --preprocessed_root lrs2_preprocessed/
```
  data_root参数为原始视频根目录，preprocessed_root参数为处理后生成的数据集目录。
  处理后数据目录如下所示。
```
preprocessed_root (lrs2_preprocessed)
 ├── main
 |     ├── Folders with five-digit numbered video IDs（00001）
 |     │   ├── *.jpg
 |     │   ├── audio.wav
 |     ├── 00001
 |     │   ├── *.jpg
 |     │   ├── audio.wav
```
4. 将LRS2文件列表中的.txt文件（train、val）放入该filelists文件夹中。
  图2 filelists文件夹
  
  train.txt和val.txt内容参考如下，为处理后视频数据的目录名字。
  
  图3 train.txt和val.txt内容
训练专家唇形同步鉴别器。
如果使用LRS2数据集，可选择跳过此步骤。如果使用自己的数据集，训练命令参考如下。
```
python color_syncnet_train.py --data_root ./lrs2_preprocessed/main/ --checkpoint_dir ./savedmodel/syncnet_model/ --checkpoint_path ./checkpoints/lipsync_expert.pth
```
参数说明：
- --data_root ：处理后的视频数据目录，与train.txt内容拼接后得到单个数据目录，例如：lrs2_preprocessed/main/00001。
- --checkpoint_dir ：此目录用于保存模型。
- -checkpoint_path ：（可选）可基于此目录的lipsync_expert模型继续进行训练，如果重新训练则不需要此参数。
默认每10000 step保存一次模型。
训练Wav2Lip模型。
训练Wav2Lip模型时需要使用专家唇形同步鉴别器。可以使用上一步3中的训练结果，也可以直接下载官方提供的预训练权重来使用。
具体训练命令如下。
```
python wav2lip_train.py --data_root  ./lrs2_preprocessed/main/ --checkpoint_dir ./savedmodel --syncnet_checkpoint_path ./checkpoints/lipsync_expert.pth --checkpoint_path ./checkpoints/wav2lip.pth
```
首次训练会进行模型评估，默认为700 step，请耐心等待，结束之后会进行正式训练。

参数说明：
- --data_root ：处理后的视频数据目录，与train.txt内容拼接后得到单个数据目录，例如：lrs2_preprocessed/main/00001。
- --checkpoint_dir ：此目录用于保存模型。
- --syncnet_checkpoint_path ：专家鉴别器的目录。
- --checkpoint_path ：（可选）可基于此目录的Wav2Lip模型继续进行训练，如果重新训练则不需要此参数。
默认每3000 step保存一次模型。

注：
- 专家鉴别器的评估损失应降至约 0.25，Wav2Lip评估同步损失应降至约 0.2，以获得良好的结果。
- 可以在文件设置其他不太常用的超参数hparams.py，常用超参如下：
```
nepochs  训练总步数
checkpoint_interval  Wav2Lip模型保存间隔步数
eval_interval        Wav2Lip模型评估间隔步数
syncnet_eval_interval           专家鉴别器模型评估间隔步数
syncnet_checkpoint_interval     专家鉴别器模型保存间隔步数
```