단계 5: 모델 학습(Linux)
본 단계에서는 수집한 데이터셋으로 정책(ACT 등)을 학습하여 배포 가능한 모델을 만듭니다. Linux는 GPU 학습에 최적의 환경입니다——CUDA 버전 torch 의존성이 자동으로 해석되어 수동 설정이 필요 없습니다.
사전 조건
단계 4: 데이터 수집을 완료함
NVIDIA GPU(권장), CUDA 드라이버(
nvidia-smi로 확인 가능)데이터셋을 기록함(로컬 캐시에서 확인 가능)
단계 1: GPU 환경 확인
# CUDA 드라이버 확인
nvidia-smi
# torch가 CUDA를 사용 가능한지 확인
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')"예상 출력：CUDA: True | GPU: <your_gpu_name>
⚠️ 주의(CUDA torch)：
CUDA: False라면 CPU 버전 torch가 설치된 것입니다. CUDA 버전을 재설치하세요:
# 공식 소스(해외 네트워크)
pip install torch --index-url https://download.pytorch.org/whl/cu128
# 중국 본토 네트워크에서는 알리윈 미러 우선
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128또는 CPU로 학습합니다(
--policy.device=cpu, 다만 속도가 훨씬 느립니다).
💡 팁：
pip install -e ".[amazinghand]"는 Linux에서 보통 GPU 버전 torch를 해석합니다(CUDA 환경이 감지된 경우). 그렇지 않다면 위 명령으로 재설치하세요.
단계 2: 학습
lerobot-train \
--dataset.repo_id=soarm_amazing_hand_pick \
--dataset.root=~/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💡 설명：
--dataset.repo_id와--dataset.root는 단계 4의 기록 시와 완전히 일치해야 합니다(repo_id=soarm_amazing_hand_pick,root=~/lerobot_data). 그러면 로컬 데이터셋을 읽을 수 있고 HF 로그인이 필요 없습니다.
매개변수 설명
| 매개변수 | 설명 |
|---|---|
--dataset.repo_id | 데이터셋 이름(기록 시와 일치) |
--dataset.root | 데이터셋 로컬 경로(기록 시와 일치) |
--policy.type | 정책 유형. act가 일반적인 선택 |
--output_dir | 학습 출력 디렉터리(checkpoints, 로그) |
--job_name | 작업 이름(로그 구분용) |
--policy.device | cuda(GPU) 또는 cpu |
--wandb.enable | 가중치 로그. false로 끄면 됨(wandb 계정 불필요) |
--policy.push_to_hub | 모델을 HF로 푸시할지 여부. false는 로컬만 |
--steps | 학습 스텝 수 |
학습 과정 설명
checkpoints：각 스텝마다 자동으로
outputs/train/soarm_amazing_hand_pick/checkpoints/에 저장됩니다로그：터미널에 loss 등 지표를 실시간 표시합니다
소요 시간：60000 스텝은 소비자용 GPU에서 보통 수 시간입니다(그래픽카드에 따라 다름)
⚠️ 주의 1(스텝 수 조정)：
--steps=60000은 ACT의 전형적인 값입니다. 단순한 작업은 30000으로 줄이고, 복잡한 작업은 100000+까지 늘릴 수 있습니다. loss 수렴을 관찰하세요.
⚠️ 주의 2(학습 중단 후 재개)：중단 후 동일한 매개변수의 명령을 다시 실행하면 마지막 checkpoint부터 계속합니다.
⚠️ 주의 3(wandb)：loss 곡선을 시각화하려면
--wandb.enable=true를 켤 수 있습니다(wandb login필요). 기본은 꺼짐입니다.
⚠️ 주의 4(헤드리스 서버)：SSH/디스플레이 없는 서버에서 학습하는 경우 GUI에 의존하지 않도록 하세요(학습 자체에는 디스플레이가 필요 없습니다).
--display_data관련 매개변수를 사용하면 디스플레이 서버가 필요합니다.
⚠️ 주의 5(백그라운드 학습)：장시간 학습에는
nohup ... &또는tmux로 프로세스를 유지하여 SSH 연결 끊김으로 인한 중단을 피하는 것을 권장합니다:
tmux new -s train
lerobot-train --dataset.repo_id=...
# Ctrl+B 후 D로 분리; tmux attach -t train 으로 재진입본 단계를 완료한 후 단계 6: 배포 및 평가로 진행합니다.
문제 해결
| 현상 | 원인 | 해결 |
|---|---|---|
CUDA: False | CPU 버전 torch | CUDA 버전 torch 재설치 |
| VRAM 부족(OOM) | 배치 크기 과대 | --policy.batch_size=8 또는 그 이하 |
| 데이터셋을 찾을 수 없음 | repo_id/root 불일치 | 기록 시와 --dataset.repo_id 및 --dataset.root가 완전히 일치하는지 확인 |
| 학습 중 SSH 끊김 | 프로세스 강제 종료 | tmux/nohup으로 백그라운드 학습 |
wandb 오류 | 미로그인 | --wandb.enable=false 또는 wandb login |