Etapa 5: Treino do modelo (Linux)

Esta etapa usa o conjunto de dados recolhido para treinar a política (ACT e outras) e produzir um modelo implementável. O Linux é o melhor ambiente para treino em GPU — as dependências do torch CUDA são resolvidas automaticamente, sem configuração manual.

---

Pré-requisitos

• Etapa 4: Recolha de dados concluída

• GPU NVIDIA (recomendada), controlador CUDA (verificável com nvidia-smi)

• Conjunto de dados gravado (visível na cache local)

---

Passo 1: Confirmar o ambiente de GPU

# Confirmar o controlador CUDA
nvidia-smi

# Confirmar que o torch pode usar CUDA
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. Reinstale a versão CUDA:

# Repositório oficial (rede fora da China)
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).

💡 Dica: pip install -e ".[amazinghand]" no Linux normalmente já resolve a versão GPU do torch (caso um ambiente CUDA seja detetado). Caso contrário, reinstale com os comandos acima.

---

Passo 2: Treinar

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

💡 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=~/lerobot_data); assim é possível ler o conjunto de dados local, sem necessidade de iniciar sessão 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 treino (checkpoints, logs)
--job_name	Nome da tarefa (para distinguir nos logs)
--policy.device	cuda (GPU) ou cpu
--wandb.enable	Registo 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 treino

---

Explicação do processo de treino

• checkpoints: guardados 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 predefinição.

⚠️ Nota 4 (servidor sem interface gráfica): se treinar num servidor SSH/sem monitor, garanta que não depende de GUI (o treino em si não requer display). Se usar parâmetros relacionados com --display_data, será necessário um servidor gráfico.

⚠️ Nota 5 (treino em segundo plano): para treinos longos, recomenda-se usar nohup ... & ou tmux para manter o processo, evitando interrupções por desconexão SSH:

tmux new -s train
lerobot-train --dataset.repo_id=...
# Ctrl+B e depois D para sair; tmux attach -t train para voltar a entrar

---

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

---

Resolução de problemas

Sintoma	Causa	Solução
CUDA: False	torch versão CPU	Reinstalar o torch versão CUDA
Memória gráfica insuficiente (OOM)	Tamanho do lote demasiado 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
SSH cai a meio do treino	Processo terminado	Treinar em segundo plano com tmux/nohup
Erro do wandb	Não autenticado	--wandb.enable=false ou wandb login

Produtos relacionados

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