Commande d'entraînement - ACT (recommandé pour débuter)

Documentation de référence

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

Pourquoi commencer par l'algorithme ACT

ACT est le premier modèle le plus recommandé à entraîner pour débuter avec LeRobot ; voici ses avantages :

• Le modèle est très léger, avec seulement quatre-vingts millions de paramètres apprenables

• La convergence de l'entraînement est très rapide, et l'inférence aussi

• Une heure d'entraînement sur un seul GPU suffit pour voir des résultats

• L'archive de téléchargement du modèle ACT fait environ 200 Mo, ce qui le rend très facile à stocker et à transférer

• Collecter environ 30 épisodes de données suffit généralement

• Peut être déployé et exécuté en inférence sur un hôte Ubuntu, un ordinateur Mac, un ordinateur Windows, et même un Raspberry Pi

• Les résultats d'inférence sur un robot réel sont plutôt bons, amplement suffisants pour des tâches simples comme saisir, serrer la main ou poser un stylo

• L'environnement de base de la bibliothèque LeRobot inclut déjà l'algorithme ACT, aucune autre bibliothèque n'est à installer

Ligne de commande

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

Description de la ligne de commande

Le caractère de continuation \ ne peut être précédé que d'un seul espace et ne doit être suivi d'aucun espace

Les paramètres en rouge sont ceux à vérifier ou à modifier avant chaque exécution

Paramètre de ligne de commande	Description
--dataset.repo_id	Repo_ID du dataset HuggingFace
--dataset.root	Chemin local du dataset
--dataset.revision	Version du dataset, spécifiée lors du téléversement du dataset sur HuggingFace
--dataset.streaming	Le dataset étant en local, doit être false, car le dataset est déjà en local et la lecture en flux n'est pas nécessaire
--dataset.split	Par défaut train, c'est-à-dire utiliser toutes les données comme ensemble d'entraînement
--policy.type	Algorithme à entraîner, par exemple act, smolvla, diffusion, pi0, wallx
--output_dir	Répertoire où sont enregistrées les sorties de l'entraînement
--job_name	Nom de cette tâche d'entraînement
--policy.device	Périphérique de calcul
--wandb.enable	Activer la visualisation wandb
--wandb.project	Nom du projet wandb
--policy.push_to_hub	Envoyer le modèle entraîné vers le cloud HuggingFace
--steps	Nombre de steps d'entraînement
--batch_size	Quantité de données entrée par step ; si la VRAM est insuffisante, il faut la réduire

Processus d'entraînement

L'archive du modèle fait environ 300 Mo