Étape 7 : Commande d'entraînement ACT
Avant de commencer
- Environnement : il faut d'abord installer l'environnement et transférer le dataset sur le cloud GPU en suivant Configuration de l'environnement d'entraînement sur cloud GPU. ACT est fourni d'origine avec l'environnement de base de LeRobot, aucune installation supplémentaire n'est nécessaire
- Dataset : le
--dataset.root=~/lerobot_my_dataset_shake_handsde la commande pointe vers le dataset de poignée de main collecté à la sixième étape. Si vous entraînez votre propre tâche, remplacez-le par le nom de votre propre dataset - Répertoire de sortie : si
--output_direxiste déjà, une erreurFileExistsErrorsera directement signalée ; changez de nom de répertoire, ou ajoutez--resume=truepour poursuivre l'entraînement - Vous pouvez consulter les courbes sur wandb à tout moment pendant l'entraînement, voir Consulter les courbes d'entraînement en temps réel avec wandb
Documentation de référence
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 l'est aussi
Une heure d'entraînement sur un seul GPU suffit pour voir des résultats
Le modèle ACT lui-même est très petit, l'archive fait environ 200 Mo, ce qui le rend très facile à stocker et à transférer. L'archive du modèle produit par l'entraînement fait environ 300 Mo (voir la fin de cet article)
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=<nom-utilisateur>/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=8Description 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
| Paramètre de ligne de commande | Description |
|---|---|
| --dataset.repo_id | Repo_ID du dataset HuggingFace, de la forme nom_utilisateur/nom_dataset |
| --dataset.root | Chemin local du dataset. Lorsque le dataset a déjà été téléchargé en local, il faut pointer vers le répertoire réel |
| --dataset.revision | Version du dataset, spécifiée lors du téléversement du dataset sur HuggingFace |
| --dataset.streaming | Indique si la lecture se fait en flux. Lorsque le dataset est en local, il faut la définir à false, car la lecture en flux n'est pas nécessaire |
| --policy.type | Algorithme à entraîner, par exemple act, smolvla, diffusion, pi0, pi05, pi0_fast, wall_x |
| --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 | Active la visualisation wandb |
| --wandb.project | Nom du projet wandb |
| --policy.push_to_hub | Envoie 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