ステージ5：モデル訓練（Windows）
本ステージでは収集したデータセットを用いてポリシー（ACT など）を訓練し、デプロイ可能なモデルを生成します。訓練は最も時間がかかる工程で、NVIDIA GPU の使用を推奨します。
前提条件
ステージ4：データ収集 を完了している
NVIDIA GPU（推奨）、CUDA ドライバ
データセットを記録済み（ローカルキャッシュで確認可能）
ステップ 1：GPU 環境の確認
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')"期待される出力：CUDA: True | GPU: <your_gpu_name>
⚠️ 注意（CUDA torch）：
CUDA: Falseの場合は、CPU 版の torch がインストールされています。CUDA 版を再インストールする必要があります：
# 公式ソース（海外ネットワーク）
pip install torch --index-url https://download.pytorch.org/whl/cu128
# 中国本土ネットワークでは阿里雲ミラーを優先
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128または CPU で訓練します（
--policy.device=cpu、ただし速度は大幅に遅く、複雑なタスクには現実的ではありません）。
ステップ 2：訓練
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💡 説明：
--dataset.repo_idと--dataset.rootはステージ4 の記録時と完全に一致させる必要があります（repo_id=soarm_amazing_hand_pick、root=D:\lerobot_data）。これでローカルデータセットを読み込め、HF ログインは不要です。
パラメータ説明
| パラメータ | 説明 |
|---|---|
--dataset.repo_id | データセット名（記録時と一致） |
--dataset.root | データセットのローカルパス（記録時と一致） |
--policy.type | ポリシーの種類。act が一般的な選択 |
--output_dir | 訓練の出力ディレクトリ（checkpoints、ログ） |
--job_name | ジョブ名（ログの識別用） |
--policy.device | cuda（GPU）または cpu |
--wandb.enable | 重みのログ。false で無効（wandb アカウント不要） |
--policy.push_to_hub | モデルを HF へプッシュするか。false はローカルのみ |
--steps | 訓練ステップ数 |
訓練プロセスの説明
checkpoints：各ステップで自動的に
outputs/train/soarm_amazing_hand_pick/checkpoints/に保存されますログ：ターミナルに loss などの指標をリアルタイム表示します
所要時間：60000 ステップはコンシューマー向け GPU で通常数時間です（グラフィックカードによります）
⚠️ 注意 1（ステップ数の調整）：
--steps=60000は ACT の典型的な値です。単純なタスクなら 30000 に減らし、複雑なタスクなら 100000+ に増やせます。loss の収束を観察してください。
⚠️ 注意 2（訓練中断からの再開）：中断後に同じパラメータのコマンドを再実行すると、最後の checkpoint から再開します。
⚠️ 注意 3（wandb）：loss 曲線を可視化したい場合は
--wandb.enable=trueを有効にできます（wandb loginが必要）。デフォルトは無効です。
⚠️ 注意 4（メモリ/VRAM）：VRAM が不足する場合は
--policy.batch_size=8を追加できます（バッチサイズを下げる）；動画デコードのメモリが不足する場合はwidth/heightを小さくします。
本ステージを完了したら、ステージ6：デプロイと評価 に進みます。
トラブルシューティング
| 現象 | 原因 | 解決 |
|---|---|---|
CUDA: False | CPU 版 torch | CUDA 版 torch を再インストール |
| VRAM 不足（OOM） | バッチサイズが大きすぎる | --policy.batch_size=8 またはそれ以下 |
| データセットが見つからない | repo_id/root が不一致 | 記録時と --dataset.repo_id および --dataset.root が完全に一致するか確認 |
| 訓練が遅い | CPU 訓練 | GPU を使用；または --steps を減らす |
wandb がエラー | 未ログイン | --wandb.enable=false または wandb login |