Etapa 7: Enviar o modelo para o HuggingFace (opcional)

Esta etapa é opcional. Depois do treino, o modelo fica no seu computador ou na instância de GPU na nuvem, e pode ser usado diretamente para inferência sem qualquer problema. Só é preciso enviá-lo para o HuggingFace quando precisar de fazer backup do modelo, usar outra máquina para inferência ou partilhar 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:

• <utilizador>: o nome da sua conta do HuggingFace
• <utilizador>: o nome de utilizador do sistema no seu computador; digite whoami no terminal para o consultar

Método 1: envio automático durante o treino

Acrescente duas linhas de parâmetros ao comando de treino; no final do treino, o modelo será enviado automaticamente:

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

Estas duas linhas têm de aparecer em par. Escrever apenas push_to_hub=true gera erro. O repo_id é o nome do repositório que dá a este modelo, no formato nome da conta/nome do modelo; se o repositório não existir, o LeRobot irá criá-lo automaticamente.

Por exemplo, o comando completo do ACT fica assim:

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

De acordo com as explicações da secção anterior, ao terminar este treino, o modelo aparecerá em https://huggingface.co/<utilizador>/shake_act_a.

Enviar também os checkpoints intermédios

Durante o treino, é guardado um checkpoint a cada save_freq (predefinição: 20000 passos). Se quiser enviar também esses checkpoints intermédios (por exemplo, quando o treino demora muito e quer poder usar o modelo intermédio a qualquer momento), acrescente 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 mais tarde, basta especificar essa tag para obter a versão com o número de passos correspondente. Consulte os detalhes em "Carregar o modelo enviado" abaixo.

Alguns parâmetros opcionais

Acrescente conforme a necessidade:

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

Método 2: envio manual após o treino

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

1. Iniciar sessão

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

hf auth login
hf auth whoami

2. Envio

Suponha que o diretório de saída do treino do ACT é ~/output_lerobot_train/shake/act/:

export HF_USER=<utilizador>

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

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

3. Enviar o checkpoint de um número de passos específico

Se quiser enviar apenas um checkpoint intermédio, 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 não quiser escrever comandos, também pode fazer isto diretamente na página web do HuggingFace: crie um repositório Model e arraste para lá os ficheiros do diretório pretrained_model.

Carregar o modelo enviado

Depois de o modelo ser enviado, na altura da implantação basta apontar o --policy.path para ele; não é preciso descarregá-lo primeiro para o local:

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

Isto é mais prático do que apontar para um caminho local: basta mudar de computador, ou outra pessoa ter o nome da sua conta, para o usar diretamente. Note que descarregar o modelo do HuggingFace exige conseguir ligar-se aos servidores dele; em ambientes de rede como o da China continental, recomenda-se configurar primeiro o espelho conforme Registar uma conta no Hugging Face (opcional)。

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

  --policy.pretrained_revision=005000 \

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

Observações

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

Produtos relacionados

Kit desenvolvedor SO-ARM101→