WAN2.2 i2v 14B FP16 GGUF with lightning LoRA 4steps or lightx2v 6steps＆Distorch Memory Manager
2025年10月8日、WAN2.2用lightning LoRAを適用したVerⅡ 4stepsを更新しました。
かなり良いです。上のコンセプトはWAN2.1ではなかなか難しい形でした。
About WAN2.2
i2v with WAN2.1 lightx2v LoRA 6steps
i2vⅡ with WAN2.2 lightning LoRA 4steps
いつものやつですね。FP16フルサイズのGGUFを使用しても尚、改造したMulitiGPUノードのDistorchによりVRAM消費量を12GB未満に抑える…動画生成のモデルが出る度に、私の定番になりつつあります。
思ったより速いです。毎度お馴染みDistorchですが、シングルタスク単体は、WAN2.1より速いですね、意外な事に。
また以下の様に、lightx2vによるステップ数削減が効くことも判っています。只、現状WAN2.1用LoRAを使用すると大量のエラーが吐き出される為、そこはスマートではないです。このエラーそのものは不可避ですが、表示自体を「何とかする」事は可能なので後述します。
Distorch改造に関しては、以下を参照して下さい。
480×480だと、処理中は以下の感じです。720×720、length121辺りまではVRAM消費が12GBが収まるようです。上jsonは640×640、length121設定にしています。
fp16 GGUF
量子化していないフルサイズのGGUFを、以下に公開しました。
Ollama-Generate V2
動作は重くなりますが、プロンプトの自動生成機能を付与する為、ollamaを使用します。vision系LLMにも対応しますが、正直動作精度が良くありません。通常のtext生成LLMの方が無難です。
その代わり、プロンプト入力は日本語に対応します。Olama Generaye V2でで自動翻訳がかかる設計にしています。
Fixed lora.py
\ComfyUI\comfy\lora.py"
動作には影響しませんが、本来はWAN2.1用のlightx2v LoRAをWAN2.2に適用すると、大量の
lora key not loaded: diffusion_model.blocks.0.attn1.to_q.weight
lora key not loaded: diffusion_model.blocks.0.attn1.to_k.weight的なエラーが出ます。気分は良くないので、「WAN2.2にWAN2.1用のLoRAを適用した場合」に限り、これを以下の様に変換する修正を施しましたので、上に公開します。
Suppressed 290 WAN2.1 LoRA key warnings (WAN2.1 LoRA on WAN2.2 model - expected behavior)解説
WAN2.2モデルにWAN2.1 LoRA適用時のみ未ロード警告を集約抑制する実装ノート（ComfyUI `lora.py`）
目的
WAN2.2にWAN2.1 LoRAを適用したときだけ、大量に出る「想定内の未ロードキー警告」を集約ログにまとめる。
それ以外（WAN2.1モデルや他モデル）では、警告を抑制せず通常どおり出す。
新規でエラー表示が出た全系列（`double_blocks`/`single_blocks` の img/text ヘッド群）も抑制対象に含める。
対象ファイル
`ComfyUI/comfy/lora.py`
変更前（初期状態）
抑制ロジックはなく、未ロードキーはすべて警告として出力。
if log_missing:
for x in lora.keys():
if x not in loaded_keys:
logging.warning("lora key not loaded: {}".format(x))問題:
WAN2.1 LoRAをWAN2.2に適用すると、構造差由来の未ロードキーが大量に出続け、ログがノイズ化。
変更後（完成形）
変更位置: `def load_lora(...):` 内の `if log_missing:` ブロック
実装の骨子:
LoRA側にWAN2.1特有の「キー断片」が1つでもあれば「WAN2.1 LoRA」と判定。
モデル側（`to_load.values()`）にWAN2.1特有断片が1つも無ければ「WAN2.2」と推定。
両方が真（WAN2.1 LoRA × WAN2.2モデル）かつ、該当キーがインジケータに合致する場合のみ抑制し、件数を集約ログで出力。
それ以外は通常通り、個別の警告を出す。
実コード（該当部のみ抜粋）:
if log_missing:
# WAN2.1 on WAN2.2 warning suppression (expected missing keys)
# Detect WAN2.1-style LoRA by presence of characteristic key fragments in the LoRA file
wan21_lora_indicators = [
# classic image-attn/text-attn specific
"k_img.diff_b", "k_img.lora_down.weight", "k_img.lora_up.weight",
"v_img.diff_b", "v_img.lora_down.weight", "v_img.lora_up.weight",
"norm_k_img.diff",
# img_emb variants (WAN2.1)
"img_emb.proj.",
# cross_attn variants (WAN2.1)
".cross_attn.k_img.", ".cross_attn.v_img.",
# trainers: double_blocks/single_blocks heads (img/text)
".double_blocks.", ".single_blocks.",
".img_attn_proj.", ".img_attn_qkv.",
".img_mlp.fc1.", ".img_mlp.fc2.",
".img_mod.linear.",
".txt_attn_proj.", ".txt_attn_qkv.",
".txt_mlp.fc1.", ".txt_mlp.fc2.",
".txt_mod.linear.",
# common single block linear heads
".linear1.lora_", ".linear2.lora_", ".modulation.linear."
]
wan21_keys_found = [key for key in lora.keys() if any(indicator in key for indicator in wan21_lora_indicators)]
is_wan21_lora = len(wan21_keys_found) > 0
# Apply suppression ONLY when applying WAN2.1 LoRA onto WAN2.2 model.
# Heuristic for model: if model (to_load values) contains WAN2.1-only keys, it's not WAN2.2.
try:
model_key_samples = [str(v) for v in to_load.values()]
except Exception:
model_key_samples = []
model_has_wan21_like_keys = any(
(".cross_attn.k_img." in mk) or (".cross_attn.v_img." in mk) or
("img_emb.proj" in mk) or ("norm_k_img" in mk)
for mk in model_key_samples
)
is_wan22_model_target = not model_has_wan21_like_keys
suppressed_count = 0
actual_warnings = []
for x in lora.keys():
if x not in loaded_keys:
# Suppress only expected WAN2.1-on-WAN2.2 missing keys
if (is_wan21_lora and is_wan22_model_target and
any(indicator in x for indicator in wan21_lora_indicators)):
suppressed_count += 1
continue
actual_warnings.append(x)
for x in actual_warnings:
logging.warning("lora key not loaded: {}".format(x))
if suppressed_count > 0:
logging.info(
"Suppressed {} WAN2.1 LoRA key warnings (WAN2.1 LoRA on WAN2.2 model - expected behavior)".format(
suppressed_count
)
)何を抑制対象にしたか（部分一致インジケータ）
k_img/v_img 系:
"k_img.diff_b", "k_img.lora_down.weight", "k_img.lora_up.weight"
"v_img.diff_b", "v_img.lora_down.weight", "v_img.lora_up.weight"
"norm_k_img.diff"
img_emb 系:
"img_emb.proj."
cross_attn 系:
".cross_attn.k_img.", ".cross_attn.v_img."
新たに提示された系列も網羅:
".double_blocks.", ".single_blocks."
".img_attn_proj.", ".img_attn_qkv."
".img_mlp.fc1.", ".img_mlp.fc2."
".img_mod.linear."
".txt_attn_proj.", ".txt_attn_qkv."
".txt_mlp.fc1.", ".txt_mlp.fc2."
".txt_mod.linear."
".linear1.lora_", ".linear2.lora_", ".modulation.linear."
注意:
末尾の `.weight` までの完全一致にしない（トレーナー差により末端が揺れるため）。部分一致で十分かつ安全。
再現手順
対象ファイル: `ComfyUI/comfy/lora.py`
`load_lora` の `if log_missing:` ブロックを上記の完成形に差し替える
ComfyUIを再起動（または該当モジュール再ロード）
ログレベルを info 以上に設定（集約ログは info）
動作検証の観点
WAN2.2 × WAN2.1 LoRA:
個別の未ロード警告は抑制され、末尾に集約ログのみ表示
例: `Suppressed 290 WAN2.1 LoRA key warnings (WAN2.1 LoRA on WAN2.2 model - expected behavior)`
WAN2.2 × WAN2.2 LoRA:
抑制は発動しない（通常は未ロード警告自体が出ない想定）
WAN2.1 × WAN2.1 LoRA（または他モデル）:
抑制は発動しない（個別警告が出る）
トラブルシューティング
抑制されないキーがあった場合:
そのキー名の一部を `wan21_lora_indicators` に1行追加（部分一致でOK）
抑制が効きすぎる場合（本来出すべき環境で消える）:
モデル側判定（`model_has_wan21_like_keys`）の条件をより厳格化
ログが出ない:
ログレベルを info 以上に設定
変更のインパクト
WAN2.2 × WAN2.1適用時のログノイズを大幅に削減
WAN2.2以外の組み合わせでは従来通りの警告表示を維持（安全側）
このノートの内容で、第三者が後から読んでも同じ実装・同じ挙動を再現できます。必要になったら `wan21_lora_indicators` に断片を1行足すだけで拡張可能です。
About WAN2.1 LoRA
WAn2.1用LoRAの適用に関しては一概に総括できませんが、以下はHjgh側でstrength3.0、Low側で1.5で想定通りの動作をした例です。360度回転モーションLoRAを使用しています。
WAN2.2はプロンプト再現能力が非常に高く、実はこの程度の事はプロンプトだけでやれてしまいますが。
Fixed GGUF Loader for WAN2.2
この先はともかく、少なくとも現時点で肝心のGGUFローダーがWAN2.2に対応していません。
故に改造しています。以下、特に難しくありません。厳密に言えば、「GGUFローダーの記述を改造する事により、MultiGPUのGGUFローダーがWAN2.2を認識する」という仕組みになっています。
## 修正箇所
**ファイル**: `ComfyUI/custom_nodes/ComfyUI-GGUF/loader.py`
### 修正前のコード
IMG_ARCH_LIST = {"flux", "sd1", "sdxl", "sd3", "aura", "hidream", "cosmos", "ltxv", "hyvid", "wan"}### 修正後のコード
IMG_ARCH_LIST = {"flux", "sd1", "sdxl", "sd3", "aura", "hidream", "cosmos", "ltxv", "hyvid", "wan", "wan2.2"}```
Distorch Memory Manager
About a node
30GBクラスのベースモデル2個に対してdistorch処理をかける工程は、何か影響が出る予感がしていましたが、案の定結果RTX4070 12GBクラスではx4 UpscaleがOOMの為完走しないという問題を引き起こしました。
但し、私は既に独自の改造により解決しています。まずは下図のように、Distorchによるメモリ使用をアンロードする為のオリジナルノードを作成しました。
independently Distorch Memory Cleaner
ノードは、以下記事で公開しています。ダウンロードして解凍し、custom_nodesフォルダに置くだけで動作します。
custom_nodes\ComfyUI-MultiGPU_init_.py
難易度が高くなるので推奨はしませんが、同機能を以下の様にMultiGPUに統合する事も可能です。但し、この方法はファイル構造やコードの内容を理解できるユーザーでないと、使い続ける事が難しいでしょう。理由は、上記事にて記述しています。
DisTorch Memory Managerの改造詳細をコード付きで解説します。
## 📋 DisTorch Memory Manager 改造総括
### 1. **DisTorchMemoryCleaner** - 基本的なメモリクリア
class DisTorchMemoryCleaner:
@classmethod
def INPUT_TYPES(s):
return {"required": {
"image": ("IMAGE",),
}}
RETURN_TYPES = ("IMAGE",)
FUNCTION = "clean_memory"
CATEGORY = "DisTorch"
def clean_memory(self, image):
import torch
import gc
# GPUメモリのクリア
if torch.cuda.is_available():
torch.cuda.empty_cache()
torch.cuda.synchronize()
# Pythonのガベージコレクション
gc.collect()
# DisTorchの仮想メモリを解放
try:
import comfy.model_management
# 仮想メモリの割り当てをリセット
if hasattr(comfy.model_management, 'free_memory'):
comfy.model_management.free_memory(0, 'cuda:0')
comfy.model_management.free_memory(0, 'cpu')
except:
pass
print("DisTorch memory cleaned")
return (image,)**機能**:
- GPUメモリのクリア（`torch.cuda.empty_cache()`）
- Pythonガベージコレクション（`gc.collect()`）
- DisTorch仮想メモリのリセット
- シンプルで安全なメモリ管理
### 2. **DisTorchMemoryManager** - 包括的なメモリ管理（UI破損対策済み）
class DisTorchMemoryManager:
@classmethod
def INPUT_TYPES(s):
return {"required": {
"image": ("IMAGE",),
"clean_gpu": ("BOOLEAN", {"default": True}),
"clean_cpu": ("BOOLEAN", {"default": False, "tooltip": "CPU memory cleanup (use with caution)"}),
"force_gc": ("BOOLEAN", {"default": True}),
"reset_virtual_memory": ("BOOLEAN", {"default": True}),
"restore_original_functions": ("BOOLEAN", {"default": False, "tooltip": "Restore original model_management functions"}),
}}
RETURN_TYPES = ("IMAGE",)
FUNCTION = "manage_memory"
CATEGORY = "DisTorch"
def manage_memory(self, image, clean_gpu, clean_cpu, force_gc, reset_virtual_memory, restore_original_functions):
import torch
import gc
import psutil
import pydantic
print("=== DisTorch Memory Management ===")
# メモリ使用量の表示（前）
if torch.cuda.is_available():
gpu_memory_before = torch.cuda.memory_allocated() / 1024**3
print(f"GPU Memory before: {gpu_memory_before:.2f} GB")
cpu_memory_before = psutil.virtual_memory().used / 1024**3
print(f"CPU Memory before: {cpu_memory_before:.2f} GB")
# GPUメモリのクリア
if clean_gpu and torch.cuda.is_available():
try:
torch.cuda.empty_cache()
torch.cuda.synchronize()
print("GPU cache cleared")
except Exception as e:
print(f"GPU cache clear failed: {e}")
# CPUメモリのクリア（UI破損対策済み）
if clean_cpu:
# 基本的なガベージコレクションのみ実行
# オブジェクトの詳細検査は行わない（UIに影響する可能性があるため）
try:
# 明示的にガベージコレクションを実行
collected = gc.collect()
print(f"CPU memory cleanup: {collected} objects collected")
except Exception as e:
print(f"CPU memory cleanup failed: {e}")
# ガベージコレクション
if force_gc:
try:
collected = gc.collect()
print(f"Garbage collected: {collected} objects")
except Exception as e:
print(f"Garbage collection failed: {e}")
# DisTorchの仮想メモリをリセット
if reset_virtual_memory:
try:
import comfy.model_management
if hasattr(comfy.model_management, 'free_memory'):
comfy.model_management.free_memory(0, 'cuda:0')
comfy.model_management.free_memory(0, 'cpu')
print("Virtual memory reset")
except Exception as e:
print(f"Virtual memory reset failed: {e}")
# メモリ使用量の表示（後）
if torch.cuda.is_available():
try:
gpu_memory_after = torch.cuda.memory_allocated() / 1024**3
gpu_freed = gpu_memory_before - gpu_memory_after
print(f"GPU Memory after: {gpu_memory_after:.2f} GB (freed: {gpu_freed:.2f} GB)")
except Exception as e:
print(f"GPU memory measurement failed: {e}")
try:
cpu_memory_after = psutil.virtual_memory().used / 1024**3
cpu_freed = cpu_memory_before - cpu_memory_after
print(f"CPU Memory after: {cpu_memory_after:.2f} GB (freed: {cpu_freed:.2f} GB)")
except Exception as e:
print(f"CPU memory measurement failed: {e}")
# 元の関数を復元（オプション）
if restore_original_functions:
try:
mm.get_torch_device = original_get_torch_device
mm.text_encoder_device = original_text_encoder_device
print("Original model_management functions restored")
except Exception as e:
print(f"Failed to restore original functions: {e}")
print("=== Memory Management Complete ===")
return (image,)**主要な改善点**:
1. **UI破損対策**:
# CPUメモリクリアを安全に実行
if clean_cpu:
# オブジェクトの詳細検査は行わない
try:
collected = gc.collect()
print(f"CPU memory cleanup: {collected} objects collected")
except Exception as e:
print(f"CPU memory cleanup failed: {e}")2. **詳細なメモリ監視**:
# メモリ使用量の前後比較
gpu_memory_before = torch.cuda.memory_allocated() / 1024**3
cpu_memory_before = psutil.virtual_memory().used / 1024**3
# 処理後
gpu_freed = gpu_memory_before - gpu_memory_after
cpu_freed = cpu_memory_before - cpu_memory_after3. **エラーハンドリング**:
try:
torch.cuda.empty_cache()
torch.cuda.synchronize()
print("GPU cache cleared")
except Exception as e:
print(f"GPU cache clear failed: {e}")### 3. **DisTorchSafeMemoryManager** - 安全なメモリ管理（推奨）
class DisTorchSafeMemoryManager:
@classmethod
def INPUT_TYPES(s):
return {"required": {
"image": ("IMAGE",),
"clean_gpu": ("BOOLEAN", {"default": True}),
"force_gc": ("BOOLEAN", {"default": True}),
"reset_virtual_memory": ("BOOLEAN", {"default": True}),
}}
RETURN_TYPES = ("IMAGE",)
FUNCTION = "safe_manage_memory"
CATEGORY = "DisTorch"
def safe_manage_memory(self, image, clean_gpu, force_gc, reset_virtual_memory):
import torch
import gc
print("=== DisTorch Safe Memory Management ===")
# メモリ使用量の表示
if torch.cuda.is_available():
gpu_memory_before = torch.cuda.memory_allocated() / 1024**3
print(f"GPU Memory before: {gpu_memory_before:.2f} GB")
# GPUメモリのクリア（UIに影響しない）
if clean_gpu and torch.cuda.is_available():
try:
torch.cuda.empty_cache()
torch.cuda.synchronize()
print("GPU cache cleared")
except Exception as e:
print(f"GPU cache clear failed: {e}")
# ガベージコレクション（UIに影響しない）
if force_gc:
try:
collected = gc.collect()
print(f"Garbage collected: {collected} objects")
except Exception as e:
print(f"Garbage collection failed: {e}")
# DisTorchの仮想メモリをリセット
if reset_virtual_memory:
try:
import comfy.model_management
if hasattr(comfy.model_management, 'free_memory'):
comfy.model_management.free_memory(0, 'cuda:0')
comfy.model_management.free_memory(0, 'cpu')
print("Virtual memory reset")
except Exception as e:
print(f"Virtual memory reset failed: {e}")
# メモリ使用量の表示（後）
if torch.cuda.is_available():
try:
gpu_memory_after = torch.cuda.memory_allocated() / 1024**3
gpu_freed = gpu_memory_before - gpu_memory_after
print(f"GPU Memory after: {gpu_memory_after:.2f} GB (freed: {gpu_freed:.2f} GB)")
except Exception as e:
print(f"GPU memory measurement failed: {e}")
print("=== Safe Memory Management Complete ===")
return (image,)**特徴**:
- **CPUメモリクリア機能を完全に除外**（UI破損を防ぐ）
- **GPUメモリとガベージコレクションのみ**実行
- **最も安全で安定した**メモリ管理
## �� **改造の核心ポイント**
### 1. **UI破損問題の解決**
# 問題のあったコード（削除済み）
# for obj in gc.get_objects():
# if isinstance(obj, pydantic.BaseModel):
# # この部分がUI破損の原因
# 解決策
if clean_cpu:
# 基本的なガベージコレクションのみ実行
collected = gc.collect()
print(f"CPU memory cleanup: {collected} objects collected")### 2. **メモリ使用量の可視化**
# メモリ解放量の詳細表示
gpu_freed = gpu_memory_before - gpu_memory_after
cpu_freed = cpu_memory_before - cpu_memory_after
print(f"GPU Memory freed: {gpu_freed:.2f} GB")
print(f"CPU Memory freed: {cpu_freed:.2f} GB")### 3. **エラーハンドリングの強化**
try:
torch.cuda.empty_cache()
torch.cuda.synchronize()
print("GPU cache cleared")
except Exception as e:
print(f"GPU cache clear failed: {e}")## �� **使用方法**
# DisTorchSafeMemoryManager（最も安全）
clean_gpu = True
force_gc = True
reset_virtual_memory = True
# DisTorchMemoryManager（上級者向け）
clean_gpu = True
clean_cpu = False # UI破損を防ぐためFalse推奨
force_gc = True
reset_virtual_memory = True### **効果**:
- **GPUメモリ**: 最大数GBの解放
- **CPUメモリ**: 数百MB〜数GBの解放
- **安定性**: UI破損なし
- **パフォーマンス**: アップスケール・ビデオ処理の安定化
これらの改造により、ComfyUIでのメモリ管理が大幅に改善され、アップスケールやビデオ処理でのメモリエラーが大幅に減少します。
Paging file
このノードを使用しても尚、upscalingでOOM(この場合、VRAMではなくシステムメモリ不足で落ちる)エラーを起こす場合、ページングファイルのサイズを拡張して対応してください。
高速化ノード組み合わせと、テンソル不一致エラーについて
初期状態での組み合わせは、Skip Layer+Torch Compileですが、この組み合わせはどうも、720×720生成時にテンソル不一致エラーの原因になるようです。稀に640×640でも発生しますが、条件がどうも不明です。
Skip Layerをバイパスして、代わりにApply First Block Cacheを使用すると解決する場合が多いです。何れにせよ、組み合わせを選択できるようにしておきました 。
Torch.compileは無いと、特に640×640以上で相当生成速度が落ちるので、なるべく使用したい処です。
