Comando di addestramento-ACT (consigliato per iniziare)

Documentazione di riferimento

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

Perché iniziare dall'algoritmo ACT

ACT è il primo modello che si consiglia di addestrare quando si usa LeRobot; i suoi vantaggi sono i seguenti:

• Il modello è estremamente leggero: ha solo ottanta milioni di parametri addestrabili

• La convergenza dell'addestramento è molto rapida e anche l'inferenza è veloce

• Con una singola GPU si vedono risultati dopo un'ora di addestramento

• L'archivio compresso del modello ACT è di circa 200 MB, molto comodo da archiviare e trasferire

• Per il dataset, raccogliere circa 30 episodi di dati è generalmente sufficiente

• Può essere distribuito per l'inferenza su un computer host Ubuntu, un computer Mac, un computer Windows e persino su un Raspberry Pi

• L'effetto dell'inferenza sul robot reale è comunque piuttosto buono, sufficiente per task semplici come afferrare, stringere la mano o posare una penna

• L'algoritmo ACT è già incluso nell'ambiente di base della libreria LeRobot, non è necessario installare altre librerie

Comandi

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

Descrizione dei comandi

Prima del carattere di continuazione di riga \ può esserci un solo spazio, dopo non deve esserci alcuno spazio

In rosso i parametri da controllare o modificare prima di ogni esecuzione

Parametro della riga di comando	Descrizione
--dataset.repo_id	Repo_ID del dataset HuggingFace
--dataset.root	Percorso locale del dataset
--dataset.revision	Versione del dataset, specificata al momento del caricamento del dataset su HuggingFace
--dataset.streaming	Il dataset è in locale, deve essere false, poiché il dataset è già in locale e non è necessaria la lettura in streaming
--dataset.split	Il valore predefinito è train, cioè si usa l'intero dataset come set di addestramento
--policy.type	Algoritmo da addestrare, ad esempio act, smolvla, diffusion, pi0, wallx
--output_dir	Directory in cui salvare l'output
--job_name	Nome dell'attività di addestramento corrente
--policy.device	Dispositivo di calcolo
--wandb.enable	Abilita la visualizzazione wandb
--wandb.project	Nome del progetto wandb
--policy.push_to_hub	Invia il modello addestrato al cloud HuggingFace
--steps	Numero di step di addestramento
--batch_size	Quantità di dati inserita in uno step; se la VRAM non è sufficiente, va ridotta

Processo di addestramento

L'archivio del modello è di circa 300 MB