訓練命令行-ACT（推薦入門）

參考文檔

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

為什麼從ACT算法開始

ACT是玩LeRobot最推薦訓練的第一個模型，它的好處如下：

• 模型非常輕量，只有八千萬個可學習參數

• 訓練收斂速度很快，推理速度也很快

• 在單卡GPU上訓練一個小時就能看到效果

• ACT模型下載壓縮包大概200MB左右，非常便於存儲和傳輸

• 數據集採集30輪數據基本就夠用了

• 可以部署在Ubuntu主機、Mac電腦、Windows電腦，甚至樹莓派上推理

• 真實機器人推理效果還很不錯，對於夾取、握手、放筆這類簡單任務足夠了

• LeRobot庫的基礎環境中已經自帶了ACT算法，無需安裝其它庫

命令行

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

命令行說明

換行符\前面只能有一個空格，後面不能有空格

紅色為每次運行之前都要檢查或者修改的參數

命令行參數	說明
--dataset.repo_id	HuggingFace數據集的Repo_ID
--dataset.root	數據集本地路徑
--dataset.revision	數據集版本，在上傳數據集到HuggingFace的時候指定過的
--dataset.streaming	數據集在本地，必須為false，因為數據集已經在本地，無需流式讀取
--dataset.split	默認為train，也就是用全量數據作為訓練集
--policy.type	要訓練的算法，比如act、smolvla、diffusion、pi0、wallx
--output_dir	輸出結構保存的目錄
--job_name	本次訓練任務的名字
--policy.device	計算設備
--wandb.enable	開啟wandb可視化
--wandb.project	wandb項目名稱
--policy.push_to_hub	將訓練好的模型發到HuggingFace雲端
--steps	訓練步數
--batch_size	一步輸入的數據量，如果顯存不夠，應該調小

訓練過程

模型壓縮包大概300MB