Schritt 7: Trainingsbefehl für ACT

Vor der Ausführung

• Umgebung: Installieren Sie zunächst gemäß Konfiguration der Cloud-GPU-Trainingsumgebung die Umgebung und übertragen Sie den Datensatz auf die Cloud-GPU. ACT ist in der LeRobot-Basisumgebung enthalten und muss nicht zusätzlich installiert werden
• Datensatz: --dataset.root=~/lerobot_my_dataset_shake_hands im Befehl verweist auf den in Schritt 6 erfassten Handschlag-Datensatz. Wenn Sie Ihre eigene Aufgabe trainieren, ersetzen Sie ihn durch Ihren eigenen Datensatznamen
• Ausgabeverzeichnis: Falls --output_dir bereits existiert, wird direkt FileExistsError gemeldet; wählen Sie einen neuen Verzeichnisnamen oder fügen Sie --resume=true hinzu, um das Training fortzusetzen
• Während des Trainings können Sie die Kurven jederzeit in wandb ansehen, siehe Trainingskurven in Echtzeit mit wandb anzeigen

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 ACT-Modell selbst ist klein, das Archiv umfasst etwa 200MB, sehr praktisch für Speicherung und Übertragung. Das durch das Training erzeugte Modellarchiv ist etwa 300MB groß (siehe Ende dieses Beitrags)

• 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=<Benutzername>/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

Befehlsparameter	Beschreibung
--dataset.repo_id	Repo_ID des HuggingFace-Datensatzes, in der Form Benutzername/Datensatzname
--dataset.root	Lokaler Pfad des Datensatzes. Wenn der Datensatz bereits lokal heruntergeladen wurde, muss er auf das tatsächliche Verzeichnis verweisen
--dataset.revision	Datensatzversion, wurde beim Hochladen des Datensatzes zu HuggingFace angegeben
--dataset.streaming	Ob Stream-Reading verwendet wird. Wenn der Datensatz lokal vorliegt, auf false setzen, kein Stream-Reading erforderlich
--policy.type	Der zu trainierende Algorithmus, z. B. act, smolvla, diffusion, pi0, pi05, pi0_fast, wall_x
--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

Verwandte Produkte

SO-ARM101 Entwickler-Kit→