Fase 5: Addestramento del modello (Windows)

In questa fase si usa il dataset raccolto per addestrare una politica (ACT e simili) e produrre un modello distribuibile. L'addestramento è il passo più dispendioso in termini di tempo; si consiglia di usare una NVIDIA GPU.

---

Prerequisiti

• Aver completato la Fase 4: Acquisizione dati

• NVIDIA GPU (consigliata), driver CUDA

• Dataset già registrato (visibile nella cache locale)

---

Passo 1: Confermare l'ambiente 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')"

Output atteso: CUDA: True | GPU: <your_gpu_name>

⚠️ Nota (CUDA torch): se CUDA: False, significa che è installata la versione di torch per CPU. Occorre reinstallare la versione con CUDA:

# Canale ufficiale (reti estere)
pip install torch --index-url https://download.pytorch.org/whl/cu128

# Per le reti della Cina continentale, preferisci lo specchio di Alibaba Cloud
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128

Oppure addestra su CPU (--policy.device=cpu, ma molto più lento; non realistico per compiti complessi).

---

Passo 2: Addestrare

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

💡 Descrizione: --dataset.repo_id e --dataset.root devono essere esattamente identici a quelli della registrazione della fase 4 (repo_id=soarm_amazing_hand_pick, root=D:\lerobot_data); così si può leggere il dataset locale senza necessità di accedere a HF.

---

Descrizione dei parametri

Parametro	Descrizione
--dataset.repo_id	Nome del dataset (uguale a quello della registrazione)
--dataset.root	Percorso locale del dataset (uguale a quello della registrazione)
--policy.type	Tipo di politica; act è la scelta più comune
--output_dir	Directory di output dell'addestramento (checkpoints, log)
--job_name	Nome del compito (per distinguere i log)
--policy.device	cuda (GPU) oppure cpu
--wandb.enable	Log dei pesi; false lo disattiva (senza bisogno di un account wandb)
--policy.push_to_hub	Se inviare il modello a HF; false solo locale
--steps	Numero di passi di addestramento

---

Descrizione del processo di addestramento

• checkpoints: salvati automaticamente a ogni passo in outputs/train/soarm_amazing_hand_pick/checkpoints/

• Log: il terminale mostra in tempo reale metriche come la loss

• Durata: 60000 passi richiedono di solito alcune ore su una GPU di fascia consumer (dipende dalla scheda grafica)

⚠️ Nota 1 (regolazione dei passi): --steps=60000 è il valore tipico di ACT. Per compiti semplici si può ridurre a 30000 e per compiti complessi aumentare a 100000+. Osserva la convergenza della loss.

⚠️ Nota 2 (riprendere dopo un'interruzione): in caso di interruzione, rieseguire il comando con gli stessi parametri riprenderà dall'ultimo checkpoint.

⚠️ Nota 3 (wandb): se hai bisogno di visualizzare la curva della loss, puoi attivare --wandb.enable=true (richiede wandb login). Per impostazione predefinita è disattivato.

⚠️ Nota 4 (memoria RAM/memoria video): se la memoria video è insufficiente puoi aggiungere --policy.batch_size=8 (riduce la dimensione del batch); se la memoria è insufficiente nella decodifica video puoi ridurre width/height.

---

Dopo aver completato questa fase, passa alla Fase 6: Distribuzione e valutazione.

---

Risoluzione dei problemi

Sintomo	Causa	Soluzione
CUDA: False	torch per CPU	Reinstalla la versione di torch con CUDA
Memoria video insufficiente (OOM)	Dimensione del batch troppo grande	--policy.batch_size=8 o inferiore
Dataset non trovato	repo_id/root incoerenti	Verifica che --dataset.repo_id e --dataset.root siano esattamente identici a quelli della registrazione
Addestramento lento	Addestramento su CPU	Usa la GPU; oppure riduci --steps
Errore di wandb	Accesso non effettuato	--wandb.enable=false o wandb login

Prodotti correlati

Kit sviluppatore SO-ARM101→Mano dexterous 4 dita AmazingHand→