Paso 7: Subir el modelo (opcional)

Este paso es opcional. Una vez terminado el entrenamiento, el modelo queda guardado en tu ordenador o en la instancia de GPU en la nube, y puedes llevarlo directamente a la inferencia sin ningún problema. Solo cuando necesites respaldar el modelo, usar otra máquina para la inferencia o compartir el modelo con otras personas tendrás que subirlo a HuggingFace.

Marcadores de posición en los comandos

Este artículo sigue la convención de marcadores de posición de los capítulos anteriores; sustitúyelos por tu propia información y, al hacerlo, elimina también los corchetes angulares:

• <usuario>: el nombre de tu cuenta de HuggingFace
• <usuario>: el nombre de usuario del sistema de tu ordenador; puedes consultarlo escribiendo whoami en la terminal

Método 1: Subida automática durante el entrenamiento

Añade dos líneas de parámetros al comando de entrenamiento y, al terminar el entrenamiento, el modelo se subirá automáticamente:

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

Estas dos líneas deben aparecer juntas; si escribes solo push_to_hub=true, dará error. repo_id es el nombre del repositorio que le das a este modelo, con la forma 账号名/模型名; si el repositorio no existe, LeRobot lo creará automáticamente.

Por ejemplo, el comando completo de ACT queda así:

lerobot-train \
  --dataset.repo_id=<usuario>/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=<usuario>/shake_act_a \
  --steps=20000 \
  --batch_size=8

Siguiendo lo explicado en la sección anterior, cuando termine esta versión del entrenamiento el modelo aparecerá en https://huggingface.co/<usuario>/shake_act_a.

Quieres subir también los checkpoints intermedios

Durante el entrenamiento se guarda un checkpoint cada save_freq (20000 pasos por defecto). Si quieres subir también estos checkpoints intermedios (por ejemplo, si el entrenamiento va a durar mucho y quieres disponer en cualquier momento de un modelo intermedio), añade esta línea:

  --policy.save_checkpoint_to_hub=true \

Al subirlos, cada checkpoint se etiqueta con un nombre igual a su número de pasos (por ejemplo 010000); más adelante, al cargar el modelo, basta con indicar esta etiqueta para obtener la versión correspondiente a ese número de pasos. Consulta "Cargar un modelo subido" más abajo para más detalles.

Algunos parámetros opcionales

Añádelos según necesites:

Parámetro	Descripción
--policy.private=true	Marca el repositorio como privado para que otros no puedan verlo
--policy.tags=act,so101	Añade etiquetas al modelo para facilitar su búsqueda
--policy.license=mit	Especifica la licencia de código abierto

Método 2: Subida manual una vez terminado el entrenamiento

Esta es la forma más habitual: durante el entrenamiento escribe como siempre --policy.push_to_hub=false y, cuando termine y confirmes que el resultado es satisfactorio, sube el modelo manualmente.

1. Iniciar sesión

Si ya has vinculado un Token puedes saltarte este paso; si no lo has hecho, consulta Registrar una cuenta de Hugging Face (opcional).

hf auth login
hf auth whoami

2. Subir

Supongamos que el directorio de salida del entrenamiento de ACT es ~/output_lerobot_train/shake/act/:

export HF_USER=<usuario>

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

No hace falta crear el repositorio del modelo de antemano; si hf upload detecta que no existe, creará uno automáticamente.

3. Subir el checkpoint de un número de pasos concreto

Si solo quieres subir un checkpoint intermedio en lugar del último:

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

4. Subir desde la página web

Si el modelo no es grande y no quieres escribir comandos, también puedes hacerlo directamente en la web de HuggingFace: crea un nuevo repositorio de tipo Model y arrastra a él los archivos del directorio pretrained_model.

Cargar un modelo subido

Una vez subido el modelo, en el despliegue basta con apuntar --policy.path a él; no necesitas descargarlo antes a tu equipo:

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

Esto es más cómodo que apuntar a una ruta local: puedes cambiar de ordenador, o cualquier persona que conozca tu nombre de cuenta puede usarlo directamente. Ten en cuenta que, para obtener el modelo desde HuggingFace, es necesario poder conectarse a sus servidores; en entornos de red de China se recomienda configurar antes el espejo tal como se describe en Registrar una cuenta de Hugging Face (opcional).

Si has subido varios checkpoints y quieres indicar cuál usar, añade el número de versión:

  --policy.pretrained_revision=005000 \

005000 es el número de pasos del checkpoint que subiste.

Notas

• El nombre del repositorio del modelo (repo_id) no tiene relación con --output_dir ni con --job_name del comando de entrenamiento; es independiente, así que basta con elegir un nombre fácil de reconocer
• Todos los comandos de entrenamiento del tutorial escriben --policy.push_to_hub=false; si quieres usar la subida automática, cambia esta línea a true y añade --policy.repo_id, y no puede faltar ninguna de las dos

Productos relacionados

Kit desarrollador SO-ARM101→