Etapa 7: Enviar o modelo ao Hugging Face (opcional)

Esta etapa é opcional. Depois do treinamento, o modelo fica no seu computador ou na instância de GPU na nuvem, e você pode usá-lo diretamente para inferência sem problema algum. Só é preciso enviá-lo para o HuggingFace quando você precisar fazer backup do modelo, usar outra máquina para inferência ou compartilhar o modelo com outras pessoas.

Placeholders nos comandos

Este artigo mantém a mesma convenção de placeholders dos capítulos anteriores. Substitua pelas suas próprias informações e, ao substituir, remova também os sinais de menor e maior:

• <usuario>: o nome da sua conta do HuggingFace
• <usuario>: o nome de usuário do sistema no seu computador; digite whoami no terminal para consultá-lo

Método 1: envio automático durante o treinamento

Adicione duas linhas de parâmetros ao comando de treinamento e, ao final do treinamento, o modelo será enviado automaticamente:

  --policy.push_to_hub=true \
  --policy.repo_id=<usuario>/shake_act_a \

Estas duas linhas devem aparecer em par. Escrever apenas push_to_hub=true gera erro. O repo_id é o nome do repositório que você dá a este modelo, no formato nome da conta/nome do modelo. Se o repositório não existir, o LeRobot o criará automaticamente.

Por exemplo, o comando completo do ACT fica assim:

lerobot-train \
  --dataset.repo_id=<usuario>/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=true \
  --policy.repo_id=<usuario>/shake_act_a \
  --steps=20000 \
  --batch_size=8

Conforme explicado na seção anterior, ao terminar esta versão do treinamento, o modelo aparecerá em https://huggingface.co/<usuario>/shake_act_a.

Enviar também os checkpoints intermediários

Durante o treinamento, um checkpoint é salvo a cada save_freq (padrão: 20000 passos). Se você quiser enviar também esses checkpoints intermediários (por exemplo, quando o treinamento demora muito e você quer poder usar o modelo intermediário a qualquer momento), adicione esta linha:

  --policy.save_checkpoint_to_hub=true \

No envio, cada checkpoint recebe uma tag com o mesmo nome do número de passos (por exemplo 010000). Ao carregar o modelo depois, basta especificar essa tag para obter a versão com o número de passos correspondente. Veja mais detalhes em "Carregar o modelo enviado" abaixo.

Alguns parâmetros opcionais

Adicione conforme a necessidade:

Parâmetro	Descrição
--policy.private=true	Define o repositório como privado, invisível para os outros
--policy.tags=act,so101	Adiciona tags ao modelo, para facilitar a busca
--policy.license=mit	Especifica a licença de código aberto

Método 2: envio manual após o treinamento

Esta é a prática mais comum: durante o treinamento, escreva normalmente --policy.push_to_hub=false e, depois que o treinamento terminar e você confirmar que o resultado é satisfatório, envie o modelo manualmente.

1. Login

Se você já vinculou um Token, pode pular esta etapa; se nunca vinculou, consulte Registrar uma conta no Hugging Face (opcional)。

hf auth login
hf auth whoami

2. Envio

Suponha que o diretório de saída do treinamento do ACT seja ~/output_lerobot_train/shake/act/:

export HF_USER=<usuario>

hf upload ${HF_USER}/shake_act_a \
  ~/output_lerobot_train/shake/act/checkpoints/last/pretrained_model

Não é preciso criar o repositório do modelo antes; ao perceber que ele não existe, o hf upload o cria automaticamente.

3. Enviar o checkpoint de um número de passos específico

Se quiser enviar apenas um checkpoint intermediário, em vez do último:

CKPT=005000
hf upload ${HF_USER}/shake_act_a_${CKPT} \
  ~/output_lerobot_train/shake/act/checkpoints/${CKPT}/pretrained_model

4. Enviar pela página web

Se o modelo não for grande e você não quiser digitar comandos, também pode fazer isso diretamente na página web do HuggingFace: crie um repositório Model e arraste para dentro os arquivos do diretório pretrained_model.

Carregar o modelo enviado

Depois que o modelo for enviado, basta apontar o --policy.path para ele na hora da implantação; não é preciso baixá-lo para o local antes:

  --policy.path=<usuario>/shake_act_a \

Isso é mais prático do que apontar para um caminho local: basta trocar de computador, ou outra pessoa ter o nome da sua conta, para usá-lo diretamente. Observe que baixar o modelo do HuggingFace exige conexão com os servidores dele; em ambientes de rede como o da China continental, recomenda-se primeiro configurar o espelho conforme Registrar uma conta no Hugging Face (opcional)。

Se você enviou vários checkpoints e quiser especificar qual usar, adicione o número da versão:

  --policy.pretrained_revision=005000 \

O 005000 é o número de passos daquele checkpoint que você enviou.

Observações

• O nome do repositório do modelo (repo_id) não tem relação com o --output_dir e o --job_name do comando de treinamento; eles são independentes, então basta escolher um nome fácil de reconhecer
• Todos os comandos de treinamento do tutorial usam --policy.push_to_hub=false; se quiser usar o envio automático, mude esta linha para true e adicione --policy.repo_id, pois nenhum dos dois pode faltar

Produtos relacionados

Kit desenvolvedor SO-ARM101→