Passo 7: Comando di addestramento ACT

Prima di eseguire

• Ambiente: è necessario prima configurare l'ambiente seguendo Configurazione dell'ambiente di addestramento su GPU cloud e trasferire il dataset sulla GPU cloud. ACT è già incluso nell'ambiente di base di LeRobot, non serve installarlo separatamente
• Dataset: --dataset.root=~/lerobot_my_dataset_shake_hands nel comando punta al dataset di stretta di mano acquisito nel sesto passo. Se stai addestrando un tuo task, sostituiscilo con il nome del tuo dataset
• Directory di output: se --output_dir esiste già, verrà restituito direttamente l'errore FileExistsError; usa un nuovo nome di directory, oppure aggiungi --resume=true per proseguire l'addestramento
• Durante l'addestramento puoi in qualsiasi momento visualizzare le curve su wandb, vedi Visualizzare le curve di addestramento in tempo reale con wandb

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

• Il modello ACT in sé è molto piccolo: l'archivio compresso è di circa 200 MB, il che lo rende molto comodo da archiviare e trasferire. L'archivio del modello prodotto dall'addestramento è di circa 300 MB (vedi in fondo a questo capitolo)

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

• Può essere distribuito per l'inferenza su un computer host Ubuntu, un Mac, un PC 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=<nome-utente>/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

Parametro della riga di comando	Descrizione
--dataset.repo_id	Repo_ID del dataset HuggingFace, nella forma nome_utente/nome_dataset
--dataset.root	Percorso locale del dataset. Se il dataset è già stato scaricato in locale, deve puntare alla directory effettiva
--dataset.revision	Versione del dataset, specificata al momento del caricamento del dataset su HuggingFace
--dataset.streaming	Indica se usare la lettura in streaming. Quando il dataset è in locale, imposta false, poiché non è necessaria la lettura in streaming
--policy.type	Algoritmo da addestrare, ad esempio act, smolvla, diffusion, pi0, pi05, pi0_fast, wall_x
--output_dir	Directory in cui salvare l'output dell'addestramento
--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

Prodotti correlati

Kit sviluppatore SO-ARM101→