Checkpoints Preparation

Here, we provide the instructions and scripts for setting up the checkpoints employed in the Vitron.

The List of Checkpoints

Model	Function	Saving Path	Downloading Link
GLIGEN	image generation & editing	.checkpoints/gligen	Link
i2vgen-xl	image-to-video generation	.checkpoints/i2vgen-xl	Link
LanguageBind	image & video encoder	.checkpoints/LanguageBind	Link
OpenCLIP	image & text encoder	.checkpoints/openai	Link
SEEM	image & video segmentation	.checkpoints/seem	Link
StableVideo	video editing	.checkpoints/stablevideo	Link
Vitron-base	reasoning	.checkpoints/Vitron-base	Link
Vitron-lora	reasoning	.checkpoints/Vitron-lora	Link
ZeroScope	video generation	.checkpoints/zeroscope	Link

The File Structure

checkpoints
├── gligen
│   ├── demo_config_legacy
│   │   ├── gligen-generation-text-box.pth
│   │   ├── gligen-generation-text-image-box.pth
│   │   └── gligen-inpainting-text-box.pth
│   ├── gligen-generation-text-box
│   │   └── diffusion_pytorch_model.bin
│   ├── gligen-generation-text-image-box
│   │   └── diffusion_pytorch_model.bin
│   └── gligen-inpainting-text-box
│       └── diffusion_pytorch_model.bin
├── i2vgen-xl
│   ├── feature_extractor
│   │   └── preprocessor_config.json
│   ├── image_encoder
│   │   ├── config.json
│   │   ├── model.fp16.safetensors
│   │   └── model.safetensors
│   ├── model_index.json
│   ├── models
│   │   ├── i2vgen_xl_00854500.pth
│   │   ├── open_clip_pytorch_model.bin
│   │   ├── stable_diffusion_image_key_temporal_attention_x1.json
│   │   └── v2-1_512-ema-pruned.ckpt
│   ├── scheduler
│   │   └── scheduler_config.json
│   ├── text_encoder
│   │   ├── config.json
│   │   ├── model.fp16.safetensors
│   │   └── model.safetensors
│   ├── tokenizer
│   │   ├── merges.txt
│   │   ├── special_tokens_map.json
│   │   ├── tokenizer_config.json
│   │   └── vocab.json
│   ├── unet
│   │   ├── config.json
│   │   ├── diffusion_pytorch_model.fp16.safetensors
│   │   └── diffusion_pytorch_model.safetensors
│   └── vae
│       ├── config.json
│       ├── diffusion_pytorch_model.fp16.safetensors
│       └── diffusion_pytorch_model.safetensors
├── LanguageBind
│   ├── LanguageBind_Image
│   │   ├──  ...
│   ├── LanguageBind_Video
│   │   ├──  ...
│   └── LanguageBind_Video_merge
│   │   ├──  ...
├── openai
│   ├── clip-vit-base-patch32
│   │   ├──  ...
│   └── clip-vit-large-patch14
│   │   ├──  ...
├── seem
│   └── seem_focall_v1.pt
├── stablevideo
│   ├── cldm_v15.yaml
│   ├── control_sd15_canny.pth
│   ├── control_sd15_depth.pth
│   ├── download.py
│   ├── dpt_hybrid-midas-501f0c75.pt
│   └── flan-t5-xl
│   │   ├──  ...
├── Vitron-base
│   ├── config.json
│   ├── generation_config.json
│   ├── pytorch_model-00001-of-00002.bin
│   ├── pytorch_model-00002-of-00002.bin
│   ├── pytorch_model.bin.index.json
│   ├── README.md
│   ├── special_tokens_map.json
│   ├── tokenizer_config.json
│   ├── tokenizer.model
├── Vitron-lora
│   ├── adapter_config.json
│   ├── adapter_model.bin
│   ├── config.json
│   ├── non_lora_trainables.bin
│   └── trainer_state.json
└── zeroscope
    ├── model_index.json
    ├── scheduler
    │   └── scheduler_config.json
    ├── text_encoder
    │   ├── config.json
    │   └── pytorch_model.bin
    ├── tokenizer
    │   ├── merges.txt
    │   ├── special_tokens_map.json
    │   ├── tokenizer_config.json
    │   └── vocab.json
    ├── unet
    │   ├── config.json
    │   └── diffusion_pytorch_model.bin
    ├── vae
    │   ├── config.json
    │   └── diffusion_pytorch_model.bin
    └── zs2_576w
        ├── open_clip_pytorch_model.bin
        └── text2video_pytorch_model.pth

Downloading Checkpoints

To obtain the model checkpoints, you have two options:

• First, you can manually download them using the provided links and place them in their respective directories as outlined above.
• Alternatively, for a more automated approach, you can execute the scripts below:

cd checkpoints
bash download.sh