Línea de comandos de entrenamiento-ACT (recomendado para empezar)

Documentación de referencia

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

Por qué empezar con el algoritmo ACT

ACT es el primer modelo más recomendado para entrenar cuando se juega con LeRobot; sus ventajas son las siguientes:

• El modelo es muy ligero, con solo ochenta millones de parámetros entrenables

• La convergencia del entrenamiento es muy rápida y la velocidad de inferencia también es muy alta

• En una sola tarjeta gráfica se ven resultados después de una hora de entrenamiento

• El paquete comprimido de descarga del modelo ACT ocupa unos 200MB, lo que facilita mucho su almacenamiento y transferencia

• Con recopilar unas 30 rondas de datos para el conjunto de datos suele ser suficiente

• Se puede desplegar para la inferencia en un equipo con Ubuntu, un ordenador Mac, un ordenador con Windows o incluso en una Raspberry Pi

• El efecto de la inferencia en el robot real sigue siendo bastante bueno; para tareas sencillas como agarrar, dar la mano o dejar un bolígrafo es suficiente

• El algoritmo ACT ya viene incluido en el entorno básico de la biblioteca LeRobot, no hace falta instalar otras bibliotecas

Línea de comandos

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

Descripción de la línea de comandos

Antes del carácter de continuación de línea \ solo puede haber un espacio, y después no puede haber ninguno

En rojo, los parámetros que hay que comprobar o modificar antes de cada ejecución

Parámetro de línea de comandos	Descripción
--dataset.repo_id	El Repo_ID del conjunto de datos de HuggingFace
--dataset.root	La ruta local del conjunto de datos
--dataset.revision	La versión del conjunto de datos, que se especificó al subir el conjunto de datos a HuggingFace
--dataset.streaming	El conjunto de datos está en local, debe ser false, ya que no hace falta una lectura en streaming
--dataset.split	Por defecto es train, es decir, se usan todos los datos como conjunto de entrenamiento
--policy.type	El algoritmo que se va a entrenar, por ejemplo act, smolvla, diffusion, pi0, wallx
--output_dir	El directorio donde se guarda la salida del entrenamiento
--job_name	El nombre de esta tarea de entrenamiento
--policy.device	El dispositivo de cómputo
--wandb.enable	Activa la visualización de wandb
--wandb.project	El nombre del proyecto de wandb
--policy.push_to_hub	Envía el modelo entrenado a la nube de HuggingFace
--steps	El número de pasos de entrenamiento
--batch_size	La cantidad de datos que se introducen en un paso; si la VRAM no es suficiente, hay que reducirla

Proceso de entrenamiento

El paquete comprimido del modelo ocupa unos 300MB