You can deploy this model and start earning money today!

bernardlcs/
wan-video-worker

Name: wan-video-worker
Availability: InStock

endpoints_compatible

Views

No views yet

WanVideo 2.2 I2V - HuggingFace Inference Endpoint

Custom handler para deploy do modelo Wan-AI/Wan2.2-I2V-A14B-Diffusers em HuggingFace Inference Endpoints.

📋 Estrutura

.
├── handler.py          # EndpointHandler customizado
├── requirements.txt    # Dependências Python
└── README.md          # Esta documentação

🚀 Deploy no HuggingFace

1. Criar Endpoint

Acesse: https://ui.endpoints.huggingface.co/new
Repository: Este repositório (com handler.py)
Task: Custom (detectado automaticamente)
Cloud: AWS ou Azure
Region: us-east-1 (recomendado)
Instance:
- Mínimo: 1x NVIDIA A100 (80GB)
- Recomendado: 1x NVIDIA H100 (80GB) para melhor performance
Autoscaling:
- Min Replicas: 0 (Scale to Zero)
- Max Replicas: 1

2. Configuração

✅ Handler Path: handler.py (auto-detectado)
✅ Container Port: 8080 (padrão)
✅ Health Check: /health (padrão)

📡 API Usage

Request Format

json

{
  "inputs": {
    "image": "https://example.com/image.jpg",
    "prompt": "A beautiful sunset",
    "negative_prompt": "blurry, low quality",
    "num_inference_steps": 30,
    "guidance_scale": 7.5,
    "num_frames": 81,
    "fps": 8,
    "width": 768,
    "height": 768,
    "seed": 42
  }
}

Parameters

Parameter	Type	Default	Description
`image`	string	required	URL ou base64 da imagem inicial
`prompt`	string	`""`	Descrição do movimento desejado
`negative_prompt`	string	`""`	O que evitar no vídeo
`num_inference_steps`	int	`30`	Qualidade (20-50)
`guidance_scale`	float	`7.5`	Aderência ao prompt (5-15)
`num_frames`	int	`81`	Total de frames (49, 81, 113)
`fps`	int	`8`	Frames por segundo
`width`	int	`768`	Largura do vídeo
`height`	int	`768`	Altura do vídeo
`seed`	int	`42`	Seed para reprodutibilidade

Response Format

json

{
  "video": "base64_encoded_mp4_string",
  "format": "mp4",
  "frames": 81,
  "fps": 8,
  "width": 768,
  "height": 768
}

💻 Exemplo Python

python

import requests
import base64

endpoint_url = "https://your-endpoint.endpoints.huggingface.cloud"
headers = {
    "Authorization": "Bearer YOUR_HF_TOKEN",
    "Content-Type": "application/json"
}

payload = {
    "inputs": {
        "image": "https://example.com/sample.jpg",
        "prompt": "slow motion waves on the beach",
        "num_inference_steps": 30,
        "num_frames": 81,
        "fps": 8
    }
}

response = requests.post(endpoint_url, headers=headers, json=payload)
result = response.json()

# Salvar vídeo
video_data = base64.b64decode(result["video"])
with open("output.mp4", "wb") as f:
    f.write(video_data)

💰 Custos Estimados

Hardware

GPU	VRAM	Custo/hora	Tempo/vídeo	Custo/vídeo
A100 (80GB)	80GB	~$1.30	~2 min	~$0.04
H100 (80GB)	80GB	~$2.50	~1 min	~$0.04

Scale to Zero

✅ Min Replicas: 0 - Sem custo quando inativo
⏱️ Cold Start: ~3-5 minutos (download + carregamento do modelo)
💡 Ideal para: Produção em baixo volume, testes, demos

⚙️ Otimizações

O handler implementa:

✅ CPU Offload: Reduz uso de VRAM
✅ VAE Tiling: Processa vídeo em tiles
✅ VAE Slicing: Reduz consumo de memória
✅ FP16: Float16 para economizar VRAM

🔧 Troubleshooting

Erro: "CUDA out of memory"

Use A100 80GB (mínimo)
Reduza num_frames para 49
Reduza width/height para 512

Endpoint lento

Verifique Cold Start (primeira requisição)
Considere H100 para 2x mais velocidade
Use Min Replicas: 1 para evitar cold start

Erro: "Image não carregada"

Valide URL acessível publicamente
Ou use base64 sem prefixo data:image/...

📚 Referências

Modelo: https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B-Diffusers
Docs HF Endpoints: https://huggingface.co/docs/inference-endpoints
Custom Handler Guide: https://huggingface.co/docs/inference-endpoints/guides/custom_handler

📄 Licença

Este handler é baseado no modelo WanVideo 2.2 da Wan-AI. Consulte a licença do modelo original para termos de uso.

bernardlcs/wan-video-worker