Comando de treino-ACT (recomendado para começar)

Documentação de referência

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

Porquê começar pelo algoritmo ACT

O ACT é o primeiro modelo mais recomendado para treinar no LeRobot; as suas vantagens são as seguintes:

• O modelo é muito leve, com apenas oitenta milhões de parâmetros treináveis

• A convergência do treino é muito rápida, e a inferência também é rápida

• Numa única GPU, uma hora de treino já mostra resultados

• O pacote comprimido do modelo ACT tem cerca de 200MB, muito fácil de armazenar e transportar

• Recolher 30 episódios de dados no dataset é basicamente suficiente

• Pode ser implantado para inferência num computador Ubuntu, num computador Mac, num computador Windows e até num Raspberry Pi

• O resultado da inferência no robô real é bastante bom, suficiente para tarefas simples como apanhar, apertar a mão e colocar canetas

• O algoritmo ACT já vem incluído no ambiente básico da biblioteca LeRobot, sem necessidade de instalar outras bibliotecas

Linha de comando

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

Descrição da linha de comando

Antes do caractere de quebra de linha \ só pode haver um espaço, e depois não pode haver espaço

A vermelho estão os parâmetros que devem ser verificados ou alterados antes de cada execução

Parâmetro da linha de comando	Descrição
--dataset.repo_id	O Repo_ID do dataset no HuggingFace
--dataset.root	Caminho local do dataset
--dataset.revision	Versão do dataset, especificada quando o dataset foi carregado para o HuggingFace
--dataset.streaming	O dataset está local, tem de ser false, porque o dataset já está no local e não é necessária leitura em streaming
--dataset.split	Por predefinição é train, ou seja, usa todos os dados como conjunto de treino
--policy.type	O algoritmo a treinar, como act, smolvla, diffusion, pi0, wallx
--output_dir	Diretório onde a saída do treino é guardada
--job_name	O nome desta tarefa de treino
--policy.device	Dispositivo de computação
--wandb.enable	Ativa a visualização do wandb
--wandb.project	Nome do projeto no wandb
--policy.push_to_hub	Envia o modelo treinado para a nuvem do HuggingFace
--steps	Número de passos de treino
--batch_size	Quantidade de dados de entrada por passo; se a VRAM não for suficiente, deve ser reduzida

Processo de treino

O pacote comprimido do modelo tem cerca de 300MB