Etapa 5: Treinamento do modelo (Windows)

Esta etapa usa o conjunto de dados coletado para treinar a política (ACT e outras) e produzir um modelo implantável. O treinamento é a etapa mais demorada; recomenda-se usar uma GPU NVIDIA.

---

Pré-requisitos

• Etapa 4: Coleta de dados concluída

• GPU NVIDIA (recomendada), driver CUDA

• Conjunto de dados gravado (visível no cache local)

---

Passo 1: Confirmar o ambiente de GPU

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')"

Saída esperada: CUDA: True | GPU: <your_gpu_name>

⚠️ Nota (torch com CUDA): se CUDA: False, significa que está instalada a versão CPU do torch. É necessário reinstalar a versão CUDA:

# Repositório oficial (rede no exterior)
pip install torch --index-url https://download.pytorch.org/whl/cu128

# Para redes da China continental, prefira o mirror da Alibaba Cloud
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128

Ou treine com CPU (--policy.device=cpu, mas bem mais lento; para tarefas complexas não é viável).

---

Passo 2: Treinar

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

💡 Nota: --dataset.repo_id e --dataset.root devem ser exatamente iguais aos usados na gravação da Etapa 4 (repo_id=soarm_amazing_hand_pick, root=D:\lerobot_data); assim é possível ler o conjunto de dados local, sem necessidade de login no HF.

---

Descrição dos parâmetros

Parâmetro	Descrição
--dataset.repo_id	Nome do conjunto de dados (igual ao da gravação)
--dataset.root	Caminho local do conjunto de dados (igual ao da gravação)
--policy.type	Tipo de política; act é a escolha mais comum
--output_dir	Diretório de saída do treinamento (checkpoints, logs)
--job_name	Nome da tarefa (para distinguir nos logs)
--policy.device	cuda (GPU) ou cpu
--wandb.enable	Registro de pesos; false desativa (sem necessidade de conta wandb)
--policy.push_to_hub	Se deve enviar o modelo para o HF; false significa apenas local
--steps	Número de passos de treinamento

---

Explicação do processo de treinamento

• checkpoints: salvos automaticamente a cada passo em outputs/train/soarm_amazing_hand_pick/checkpoints/

• Logs: o terminal exibe métricas como o loss em tempo real

• Duração: 60000 passos costumam levar algumas horas numa GPU de consumo (depende da placa gráfica)

⚠️ Nota 1 (ajuste do número de passos): --steps=60000 é o valor típico para o ACT. Tarefas simples podem ser reduzidas para 30000; tarefas complexas podem ser aumentadas para 100000+. Observe a convergência do loss.

⚠️ Nota 2 (retomar após interrupção): após uma interrupção, executar novamente o comando com os mesmos parâmetros continua a partir do último checkpoint.

⚠️ Nota 3 (wandb): para visualizar a curva de loss, ative --wandb.enable=true (requer wandb login). Desativado por padrão.

⚠️ Nota 4 (memória/VRAM): se a memória de vídeo for insuficiente, adicione --policy.batch_size=8 (reduz o tamanho do lote); se a memória para decodificação de vídeo for insuficiente, reduza width/height.

---

Depois de concluir esta etapa, avance para a Etapa 6: Implantação e avaliação.

---

Resolução de problemas

Sintoma	Causa	Solução
CUDA: False	torch versão CPU	Reinstalar o torch versão CUDA
Memória de vídeo insuficiente (OOM)	Tamanho do lote muito grande	--policy.batch_size=8 ou menos
Conjunto de dados não encontrado	repo_id/root inconsistentes	Confirme que são exatamente iguais a --dataset.repo_id e --dataset.root da gravação
Treinamento lento	Treinamento em CPU	Use GPU; ou reduza --steps
Erro do wandb	Não autenticado	--wandb.enable=false ou wandb login

Produtos relacionados

Kit desenvolvedor SO-ARM101→Mão dexterous de 4 dedos AmazingHand→