Trainingsbefehl-ACT (empfohlen für den Einstieg)

Referenzdokumentation

https://github.com/huggingface/lerobot/blob/46e19ae579f80ce66211afafd1c3c649c569131f/docs/source/act.mdx

https://github.com/huggingface/lerobot/blob/main/src/lerobot/scripts/lerobot_train.py

https://github.com/huggingface/lerobot/blob/main/src/lerobot/configs/train.py

Warum mit dem ACT-Algorithmus beginnen

ACT ist das am meisten empfohlene erste Modell zum Trainieren mit LeRobot; seine Vorteile sind folgende:

• Das Modell ist sehr leichtgewichtig und hat nur achtzig Millionen lernbare Parameter

• Die Trainingskonvergenz ist sehr schnell, auch die Inferenzgeschwindigkeit ist sehr schnell

• Auf einer einzelnen GPU sind Ergebnisse nach einer Stunde Training sichtbar

• Das Download-Archiv des ACT-Modells umfasst etwa 200MB, sehr praktisch für Speicherung und Übertragung

• Eine Datenerfassung von 30 Runden reicht in der Regel aus

• Kann auf Ubuntu-Hosts, Mac-Computern, Windows-Computern und sogar Raspberry Pi inferiert werden

• Die Inferenzergebnisse am echten Roboter sind recht gut und für einfache Aufgaben wie Greifen, Händeschütteln und Stiftablegen ausreichend

• Der ACT-Algorithmus ist bereits in der Basisumgebung der LeRobot-Bibliothek enthalten, es müssen keine weiteren Bibliotheken installiert werden

Befehl

lerobot-train \
  --dataset.repo_id=Tommymy/lerobot_my_dataset_shake_hands \
  --dataset.root=~/lerobot_my_dataset_shake_hands \
  --dataset.revision=v0.1.0 \
  --dataset.streaming=false \
  --policy.type=act \
  --output_dir=~/output_lerobot_train/shake/act/ \
  --job_name=shake_act_a \
  --policy.device=cuda \
  --wandb.enable=true \
  --wandb.project=Lerobot_my_Project \
  --policy.push_to_hub=false \
  --steps=20000 \
  --batch_size=8

Erläuterung des Befehls

Vor dem Zeilenumbruchzeichen \ darf nur ein Leerzeichen stehen, danach darf kein Leerzeichen folgen

Rot markiert sind Parameter, die vor jedem Lauf geprüft oder geändert werden müssen

Befehlsparameter	Beschreibung
--dataset.repo_id	Repo_ID des HuggingFace-Datensatzes
--dataset.root	Lokaler Pfad des Datensatzes
--dataset.revision	Datensatzversion, wurde beim Hochladen des Datensatzes zu HuggingFace angegeben
--dataset.streaming	Der Datensatz liegt lokal, muss false sein, denn der Datensatz ist bereits lokal, kein Stream-Reading erforderlich
--dataset.split	Standard ist train, d. h. alle Daten werden als Trainingssatz verwendet
--policy.type	Der zu trainierende Algorithmus, z. B. act, smolvla, diffusion, pi0, wallx
--output_dir	Verzeichnis, in dem die Trainingsausgabe gespeichert wird
--job_name	Name dieses Trainingsauftrags
--policy.device	Rechengerät
--wandb.enable	wandb-Visualisierung aktivieren
--wandb.project	wandb-Projektname
--policy.push_to_hub	Das trainierte Modell in die HuggingFace-Cloud hochladen
--steps	Trainingsschritte
--batch_size	Datenmenge pro Schritt; bei unzureichendem VRAM sollte sie verkleinert werden

Trainingsverlauf

Das Modellarchiv ist etwa 300MB groß