Phase 5 : Entraînement du modèle (Windows)

Cette phase utilise le jeu de données collecté pour entraîner une politique (ACT, etc.) et produire un modèle déployable. L'entraînement est l'étape la plus longue ; l'utilisation d'un GPU NVIDIA est recommandée.

---

Prérequis

• Phase 4 : Collecte de données terminée

• GPU NVIDIA (recommandé), pilote CUDA

• Jeu de données enregistré (visible dans le cache local)

---

Étape 1 : Vérifier l'environnement GPU

python -c "import torch; print('CUDA:', torch.cuda.is_available(), '| GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

Sortie attendue : CUDA: True | GPU: <your_gpu_name>

⚠️ Remarque (CUDA torch) : si CUDA: False, cela signifie que la version CPU de torch est installée. Il faut réinstaller la version CUDA :

# Source officielle (réseau hors Chine)
pip install torch --index-url https://download.pytorch.org/whl/cu128

# Pour un réseau en Chine continentale, préférez le miroir Alibaba Cloud
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128

Ou bien entraînez sur CPU (--policy.device=cpu, mais beaucoup plus lent ; irréaliste pour des tâches complexes).

---

Étape 2 : Entraînement

lerobot-train `
  --dataset.repo_id=soarm_amazing_hand_pick `
  --dataset.root=D:\lerobot_data `
  --policy.type=act `
  --output_dir=outputs/train/soarm_amazing_hand_pick `
  --job_name=soarm_amazing_hand_pick `
  --policy.device=cuda `
  --wandb.enable=false `
  --policy.push_to_hub=false `
  --steps=60000

💡 Explication : --dataset.repo_id et --dataset.root doivent être parfaitement identiques à ceux de l'enregistrement de la phase 4 (repo_id=soarm_amazing_hand_pick, root=D:\lerobot_data) pour pouvoir lire le jeu de données local, sans connexion HF.

---

Description des paramètres

Paramètre	Description
--dataset.repo_id	Nom du jeu de données (identique à celui de l'enregistrement)
--dataset.root	Chemin local du jeu de données (identique à celui de l'enregistrement)
--policy.type	Type de politique ; act est un choix courant
--output_dir	Répertoire de sortie de l'entraînement (checkpoints, journaux)
--job_name	Nom de la tâche (pour distinguer les journaux)
--policy.device	cuda (GPU) ou cpu
--wandb.enable	Journalisation des poids ; false la désactive (aucun compte wandb requis)
--policy.push_to_hub	Indique s'il faut envoyer le modèle vers HF ; false = local uniquement
--steps	Nombre de pas d'entraînement

---

Explication du processus d'entraînement

• checkpoints : enregistrés automatiquement à chaque pas dans outputs/train/soarm_amazing_hand_pick/checkpoints/

• Journaux : le terminal affiche en temps réel des indicateurs tels que la loss

• Durée : 60000 pas prennent généralement plusieurs heures sur un GPU grand public (cela dépend de la carte graphique)

⚠️ Remarque 1 (ajustement du nombre de pas) : --steps=60000 est une valeur typique pour ACT. Pour une tâche simple, vous pouvez réduire à 30000 ; pour une tâche complexe, augmenter à 100000+. Observez la convergence de la loss.

⚠️ Remarque 2 (reprise après interruption) : après une interruption, relancer la commande avec les mêmes paramètres reprendra à partir du dernier checkpoint.

⚠️ Remarque 3 (wandb) : si vous souhaitez visualiser la courbe de loss, activez --wandb.enable=true (nécessite wandb login). Désactivé par défaut.

⚠️ Remarque 4 (mémoire / mémoire GPU) : en cas de mémoire GPU insuffisante, ajoutez --policy.batch_size=8 (réduire la taille de lot) ; en cas de mémoire insuffisante pour le décodage vidéo, réduisez width/height.

---

Une fois cette phase terminée, passez à la phase 6 : Déploiement et évaluation.

---

Dépannage

Symptôme	Cause	Solution
CUDA: False	Version CPU de torch	Réinstaller la version CUDA de torch
Mémoire GPU insuffisante (OOM)	Taille de lot trop grande	--policy.batch_size=8 ou moins
Jeu de données introuvable	repo_id/root incohérents	Vérifiez que --dataset.repo_id et --dataset.root sont parfaitement identiques à ceux de l'enregistrement
Entraînement lent	Entraînement sur CPU	Utilisez un GPU ; ou réduisez --steps
Erreur wandb	Non connecté	--wandb.enable=false ou wandb login

Produits associés

Kit développeur SO-ARM101→Main dexterous 4 doigts AmazingHand→