학습 커맨드라인-ACT(입문 추천)

참고 문서

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

왜 ACT 알고리즘부터 시작하는가

ACT는 LeRobot을 다룰 때 가장 먼저 학습하도록 권장하는 모델이며, 그 장점은 다음과 같습니다:

• 모델이 매우 가벼워 학습 가능한 파라미터가 8천만 개뿐입니다

• 학습 수렴 속도가 매우 빠르고, 추론 속도도 빠릅니다

• GPU 1장에서 한 시간만 학습하면 효과를 볼 수 있습니다

• ACT 모델 다운로드 압축 파일은 약 200MB 정도로, 저장과 전송이 매우 편리합니다

• 데이터셋은 30 라운드 데이터를 수집하면 기본적으로 충분합니다

• Ubuntu 호스트, Mac 컴퓨터, Windows 컴퓨터, 심지어 라즈베리파이에서도 배포하여 추론할 수 있습니다

• 실제 로봇에서의 추론 효과가 꽤 좋아, 집기, 악수, 펜 놓기 같은 간단한 작업에는 충분합니다

• LeRobot 라이브러리의 기본 환경에 ACT 알고리즘이 이미 포함되어 있어 다른 라이브러리를 설치할 필요가 없습니다

커맨드라인

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

커맨드라인 설명

줄바꿈 문자 \ 앞에는 공백이 하나만 있어야 하고, 뒤에는 공백이 없어야 합니다

빨간색은 매번 실행하기 전에 확인하거나 수정해야 하는 파라미터입니다

커맨드라인 파라미터	설명
--dataset.repo_id	HuggingFace 데이터셋의 Repo_ID
--dataset.root	데이터셋 로컬 경로
--dataset.revision	데이터셋 버전, 데이터셋을 HuggingFace에 업로드할 때 지정했던 값
--dataset.streaming	데이터셋이 로컬에 있으면 반드시 false여야 합니다. 데이터셋이 이미 로컬에 있어 스트리밍 읽기가 필요 없기 때문입니다
--dataset.split	기본값은 train이며, 즉 전체 데이터를 학습 세트로 사용합니다
--policy.type	학습할 알고리즘, 예를 들어 act, smolvla, diffusion, pi0, wallx
--output_dir	학습 출력이 저장되는 디렉터리
--job_name	이번 학습 작업의 이름
--policy.device	계산 장치
--wandb.enable	wandb 시각화를 켭니다
--wandb.project	wandb 프로젝트 이름
--policy.push_to_hub	학습한 모델을 HuggingFace 클라우드로 전송합니다
--steps	학습 step 수
--batch_size	한 step에 입력하는 데이터량, VRAM이 부족하면 줄여야 합니다

학습 과정

모델 압축 파일은 약 300MB입니다