Schritt 7: Modell zu HuggingFace hochladen (optional)

Dieser Schritt ist optional. Das trainierte Modell liegt auf Ihrem Computer oder Ihrer Cloud-GPU-Instanz und kann direkt für die Inferenz verwendet werden. Nur wenn Sie das Modell sichern, auf einem anderen Rechner inferieren oder es mit anderen teilen möchten, müssen Sie es zu HuggingFace hochladen.

Platzhalter in den Befehlen

Dieser Beitrag verwendet die Platzhalter-Schreibweise aus den vorherigen Kapiteln. Bitte ersetzen Sie sie durch Ihre eigenen Angaben und entfernen Sie dabei auch die spitzen Klammern:

• <Benutzername>: Ihr HuggingFace-Kontoname
• <Benutzername>: der Systembenutzername Ihres Computers; mit whoami im Terminal können Sie ihn anzeigen

Methode 1: Automatisches Hochladen während des Trainings

Fügen Sie dem Trainingsbefehl zwei Parameterzeilen hinzu, dann wird das Modell nach Trainingsende automatisch hochgeladen:

  --policy.push_to_hub=true \
  --policy.repo_id=<Benutzername>/shake_act_a \

Diese beiden Zeilen müssen paarweise auftreten; wenn Sie nur push_to_hub=true angeben, tritt ein Fehler auf. repo_id ist der Repository-Name, den Sie diesem Modell geben, in der Form Kontoname/Modellname. Existiert das Repository nicht, legt LeRobot es automatisch an.

Zum Beispiel sieht der vollständige Befehl für ACT dann so aus:

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=true \
  --policy.repo_id=<Benutzername>/shake_act_a \
  --steps=20000 \
  --batch_size=8

Wie im vorherigen Abschnitt beschrieben, erscheint das Modell nach Abschluss dieses Trainingslaufs unter https://huggingface.co/<Benutzername>/shake_act_a.

Auch die Zwischen-Checkpoints mit hochladen

Während des Trainings wird alle save_freq Schritte (Standard: 20000) ein Checkpoint gespeichert. Wenn Sie auch diese Zwischen-Checkpoints hochladen möchten (z. B. wenn das Training sehr lange dauert und Sie jederzeit auf ein Zwischenmodell zugreifen wollen), fügen Sie noch diese Zeile hinzu:

  --policy.save_checkpoint_to_hub=true \

Beim Hochladen erhält jeder Checkpoint ein Tag, das nach der Schrittnummer benannt ist (z. B. 010000). Wenn Sie später beim Laden des Modells dieses Tag angeben, erhalten Sie die Version mit der entsprechenden Schrittnummer; Details siehe unten unter „Hochgeladenes Modell laden".

Einige optionale Parameter

Nach Bedarf hinzufügen:

Parameter	Beschreibung
--policy.private=true	Repository auf privat setzen, andere können es nicht sehen
--policy.tags=act,so101	Tags zum Modell hinzufügen, erleichtert die Suche
--policy.license=mit	Open-Source-Lizenz festlegen

Methode 2: Manuelles Hochladen nach Abschluss des Trainings

Dies ist die gebräuchlichere Vorgehensweise: Schreiben Sie beim Training wie gewohnt --policy.push_to_hub=false, und laden Sie das Modell erst dann manuell hoch, wenn das Training beendet und das Ergebnis zufriedenstellend ist.

1. Anmelden

Wenn Sie bereits ein Token gebunden haben, können Sie diesen Schritt überspringen; andernfalls siehe Hugging Face-Konto registrieren (optional).

hf auth login
hf auth whoami

2. Hochladen

Angenommen, das Ausgabeverzeichnis des ACT-Trainings ist ~/output_lerobot_train/shake/act/:

export HF_USER=<Benutzername>

hf upload ${HF_USER}/shake_act_a \
  ~/output_lerobot_train/shake/act/checkpoints/last/pretrained_model

Das Modell-Repository muss nicht vorab erstellt werden; wenn hf upload feststellt, dass das Repository nicht existiert, legt es automatisch eines an.

3. Checkpoint mit bestimmter Schrittnummer hochladen

Wenn Sie nur einen bestimmten Zwischen-Checkpoint und nicht den letzten hochladen möchten:

CKPT=005000
hf upload ${HF_USER}/shake_act_a_${CKPT} \
  ~/output_lerobot_train/shake/act/checkpoints/${CKPT}/pretrained_model

4. Im Web hochladen

Wenn das Modell nicht groß ist und Sie keine Befehle eingeben möchten, können Sie dies auch direkt auf der HuggingFace-Webseite erledigen: Erstellen Sie ein neues Model-Repository und ziehen Sie die Dateien aus dem Verzeichnis pretrained_model hinein.

Hochgeladenes Modell laden

Nach dem Hochladen des Modells genügt es, beim Deployment --policy.path darauf zu richten; ein vorheriges Herunterladen auf den lokalen Rechner ist nicht erforderlich:

  --policy.path=<Benutzername>/shake_act_a \

Dies ist bequemer als ein lokaler Pfad; bei einem Rechnerwechsel oder wenn jemand Ihren Kontonamen erhält, kann das Modell direkt verwendet werden. Beachten Sie, dass zum Abrufen des Modells von HuggingFace eine Verbindung zu dessen Server erforderlich ist; in einer chinesischen Netzwerkumgebung sollte zuerst gemäß Hugging Face-Konto registrieren (optional) ein Mirror eingerichtet werden.

Wenn Sie mehrere Checkpoints hochgeladen haben und angeben möchten, welcher verwendet werden soll, fügen Sie die Versionsnummer hinzu:

  --policy.pretrained_revision=005000 \

005000 ist die Schrittnummer des Checkpoints, den Sie hochgeladen haben.

Hinweise

• Der Repository-Name des Modells (repo_id) steht in keinem Zusammenhang mit --output_dir und --job_name im Trainingsbefehl; er ist unabhängig, wählen Sie einfach einen gut erkennbaren Namen
• In allen Trainingsbefehlen dieses Tutorials steht --policy.push_to_hub=false; wenn Sie das automatische Hochladen nutzen möchten, ändern Sie diese Zeile in true und ergänzen Sie --policy.repo_id – beides ist unverzichtbar

Verwandte Produkte

SO-ARM101 Entwickler-Kit→