Etapa 7: Treinamento local no Ubuntu

Este artigo se aplica ao caso em que o seu próprio computador já tem uma placa de vídeo NVIDIA, sem precisar de GPU na nuvem.

Antes de executar

• Ambiente: basta instalar conforme Primeira etapa: instalar o ambiente do Lerobot; para o treinamento na máquina local, não é preciso enviar o dataset para outro lugar
• Dataset: o exemplo abaixo usa o dataset de pegar laranjas lerobot_my_dataset_a coletado no primeiro artigo da etapa 6; o caminho foi escrito como caminho absoluto, então substitua pelo seu próprio nome de usuário
• Treinar no Mac: troque o /home/<usuario>/ do comando por /Users/<usuario>/
• Diretório de saída: se o --output_dir já existir, será exibido diretamente um FileExistsError; troque por um novo nome de diretório, ou adicione --resume=true para continuar o treinamento

Documentação de referência

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

• Atenção

``Antes dele só pode haver um espaço, e depois dele não pode haver espaço

Quando o dataset está local, --dataset.streaming deve ser false, pois não é necessária leitura em streaming

lerobot-train \
  --dataset.repo_id=<usuario>/lerobot_my_dataset_a \
  --dataset.root=/home/<usuario>/.cache/huggingface/lerobot/<usuario>/lerobot_my_dataset_a \
  --dataset.revision=v0.4.0 \
  --dataset.streaming=false \
  --policy.type=act \
  --output_dir=output_lerobot_train/a \
  --job_name=orange_job \
  --policy.device=cuda \
  --wandb.enable=true \
  --wandb.project=Lerobot_my_Project \
  --policy.push_to_hub=false \
  --steps=300000 \
  --batch_size=8
  
lerobot-train --dataset.repo_id=<usuario>/lerobot_my_dataset_a --dataset.root=/home/<usuario>/.cache/huggingface/lerobot/<usuario>/lerobot_my_dataset_a --dataset.revision=v0.4.0 --dataset.streaming=false --policy.type=act --output_dir=output_lerobot_train/a --job_name=orange_job --policy.device=cuda --wandb.enable=true --wandb.project=Lerobot_my_Project --policy.push_to_hub=false --steps=300000 --batch_size=8

Produtos relacionados

Kit desenvolvedor SO-ARM101→