Étape 7 : Commande d'entraînement pi0
Avant de commencer
- Environnement : commencez par suivre Configuration de l'environnement d'entraînement sur cloud GPU pour ouvrir une instance et y transférer le dataset, puis revenez à cet article pour exécuter les deux sections « Installation de l'environnement » et « Ligne de commande »
- 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, supprimez-le d'abord avec la commandesudo rm -rfci-dessus, ou changez de nom - 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
Instance cloud GPU recommandée
Installation de l'environnement
Shell
conda create -y -n lerobot-pi python=3.10 -y
conda activate lerobot-pi
conda install ffmpeg=7.1.1 -c conda-forge -y
cd lerobot
pip install -e ".[pi]"Ligne de commande
Shell
sudo rm -rf output_lerobot_train/shake/pi0_A
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=pi0 \
--output_dir=~/output_lerobot_train/shake/pi0_A \
--job_name=shake_pi0_A \
--policy.pretrained_path=lerobot/pi0_base \
--policy.compile_model=true \
--policy.gradient_checkpointing=true \
--policy.dtype=bfloat16 \
--policy.freeze_vision_encoder=false \
--policy.train_expert_only=false \
--steps=50000 \
--policy.device=cuda \
--policy.push_to_hub=false \
--wandb.enable=true \
--wandb.project=Lerobot_my_Project \
--batch_size=8L'entraînement ne commence réellement que 20 minutes après le lancement de la ligne de commande
L'archive du modèle fait environ 5 Go, et 7 Go une fois décompressée