Étape 8 : Description de la ligne de commande

Remarque sur les versions (important, à lire en premier)

À partir de LeRobot 0.6.0, les modèles entraînés doivent être déployés avec lerobot-rollout. L'ancienne syntaxe lerobot-record --policy.path=... a été supprimée dès la version 0.5.2.

La première étape de ce tutoriel installe LeRobot avec git clone, ce qui vous fournit la version la plus récente ; utilisez donc la ligne de commande lerobot-rollout ci-dessous. Si vous tenez à utiliser lerobot-record, le programme signalera directement une erreur et vous invitera à passer à lerobot-rollout.

Voici comment se répartissent les rôles des deux commandes :

• lerobot-record : est uniquement chargé de collecter les données de démonstration (c'est elle qui est utilisée à la sixième étape) ; elle refuse désormais les noms de dataset commençant par eval_
• lerobot-rollout : est chargé de déployer le modèle entraîné, et utilise --strategy.type pour choisir le mode de fonctionnement

Paramètres de ligne de commande de rollout

Paramètre	Description
--strategy.type	Mode de fonctionnement. base exécute uniquement le modèle sans enregistrer de données, pour observer les résultats en direct ; episodic enregistre par épisode avec une phase de reset, un comportement proche de l'ancienne version de lerobot-record
--policy.path	Chemin du modèle, pointant vers checkpoints/last/pretrained_model dans les sorties de l'entraînement
--task	Description de la tâche, à utiliser avec --strategy.type=base
--duration	Nombre de secondes d'exécution ; 0 signifie sans limite de temps
--interactive	À ajouter lorsque vous devez reprendre la main en cours de route ; permet de contrôler dans le terminal avec des commandes comme /stop, /reset
--display_data	Indique s'il faut lancer l'interface de visualisation rerun.io
--policy.device	Périphérique de calcul, par exemple cuda, cpu

Les paramètres des caméras doivent être identiques à ceux de la collecte

Dans toutes les commandes ci-dessous, --robot.cameras utilise 1280×720@30, une valeur harmonisée avec Collecter un dataset par démonstration. Lors du déploiement, vous devez conserver la résolution, le fps et le rapport largeur/hauteur utilisés lors de la collecte : la résolution est écrite dans les métadonnées du dataset et participe à la validation, tout écart entraînera une erreur immédiate ; même si elle passe par chance, un champ de vision différent fera que « le monde que voit » le modèle ne sera pas le même que lors de votre démonstration, et les résultats se dégraderont nettement.

À propos de la visualisation

--display_data=true lance l'interface de visualisation rerun.io et enregistre en même temps l'image de chaque frame dans le répertoire /Users/<nom-utilisateur>/.cache/huggingface/lerobot/rollout_lerobot_my_dataset_a/images/observation.images.front/episode-000000, ce qui occupe pas mal d'espace ; pour un usage réel, vous pouvez le définir à --display_data=false.

Exemple avec la tâche de saisie d'oranges

• Évaluation en direct (avec visualisation en temps réel)

lerobot-rollout  \
  --strategy.type=base \
  --robot.type=so101_follower \
  --robot.port=/dev/tty.usbmodem5AAF2193061 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
  --robot.id=my_follower_arm \
  --policy.path=/Users/<nom-utilisateur>/Downloads/7-lerobot/checkpoints/last/pretrained_model \
  --task="Grab Oranges" \
  --duration=60 \
  --display_data=true

• Évaluation en direct (sans visualisation en temps réel)

lerobot-rollout  \
  --strategy.type=base \
  --robot.type=so101_follower \
  --robot.port=/dev/tty.usbmodem5AAF2193061 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
  --robot.id=my_follower_arm \
  --policy.path=/Users/<nom-utilisateur>/Downloads/7-lerobot/checkpoints/last/pretrained_model \
  --task="Grab Oranges" \
  --duration=60 \
  --display_data=false

• Inférence d'un modèle depuis un Repo de modèle HuggingFace

lerobot-rollout  \
  --strategy.type=base \
  --robot.type=so101_follower \
  --robot.port=/dev/tty.usbmodem5AAF2193061 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
  --robot.id=my_follower_arm \
  --policy.path=<nom-utilisateur>/lerobot_my_model_a \
  --task="Grab Oranges" \
  --duration=60 \
  --display_data=true

Le modèle sera téléchargé après l'exécution

• Évaluer et enregistrer des données (--strategy.type=episodic)

Pour enregistrer le processus sous forme de dataset au fil de l'exécution, remplacez base par episodic. Dans ce mode, n'indiquez pas --task, utilisez plutôt --dataset.single_task, et vous devez fournir --dataset.repo_id :

lerobot-rollout  \
  --strategy.type=episodic \
  --robot.type=so101_follower \
  --robot.port=/dev/tty.usbmodem5AAF2193061 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
  --robot.id=my_follower_arm \
  --policy.path=/Users/<nom-utilisateur>/Downloads/7-lerobot/checkpoints/last/pretrained_model \
  --dataset.repo_id=<nom-utilisateur>/rollout_lerobot_my_dataset_a \
  --dataset.num_episodes=10 \
  --dataset.single_task="Grab Oranges" \
  --display_data=false

Produits associés

Kit développeur SO-ARM101→