第六步:示教採集數據集

命令中的佔位符，請先替換成你自己的資訊

教程寫的是通用的操作步驟，所以從這一步開始，命令裡會用到兩個佔位符，代表只有你才有的資訊。請根據下面的說明替換，替換時連尖括號一起去掉：

佔位符	它代表什麼	怎麼替換
<你的使用者名稱>	你電腦的系統使用者名稱，也就是家目錄的名稱	在終端裡輸入 whoami 就能看到
<你的使用者名稱>	你的 HuggingFace 賬號名	登錄 HuggingFace 後，看右上角頭像旁的賬號名

舉個例子。假設終端的 whoami 輸出是 zhangsan，你的 HuggingFace 賬號名也是 zhangsan，那麼

• /Users/<你的使用者名稱>/.cache/huggingface/lerobot/<你的使用者名稱>/ 就應該寫成 /Users/zhangsan/.cache/huggingface/lerobot/zhangsan/
• <你的使用者名稱>/lerobot_my_dataset_a 就應該寫成 zhangsan/lerobot_my_dataset_a

後面所有命令裡的這兩個佔位符，也按同樣的方式替換。

注意：下面第一條命令是 sudo rm -rf，作用是刪除目錄。請務必確認路徑已經替換成你自己的，再按回車。

刪除之前已經有的同名數據集（如果有）

sudo rm -rf /Users/<你的使用者名稱>/.cache/huggingface/lerobot/<你的使用者名稱>/lerobot_my_dataset_a

一個攝像頭，採集數據集-Mac電腦

lerobot-record \
    --robot.type=so101_follower \
    --robot.port=/dev/tty.usbmodem5AAF2193061 \
    --robot.id=my_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/tty.usbmodem5AAF2194741 \
    --teleop.id=my_leader_arm \
    --display_data=true \
    --dataset.repo_id=<你的使用者名稱>/lerobot_my_dataset_a \
    --dataset.num_episodes=40 \
    --dataset.single_task="Grab Oranges" \
    --dataset.push_to_hub=false \
    --dataset.episode_time_s=10 \
    --dataset.reset_time_s=2

兩個攝像頭，採集數據集-Mac電腦

lerobot-record \
    --robot.type=so101_follower \
    --robot.port=/dev/tty.usbmodem5AAF2193061 \
    --robot.id=my_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}, side: {type: opencv, index_or_path: 1, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/tty.usbmodem5AAF2194741 \
    --teleop.id=my_leader_arm \
    --display_data=true \
    --dataset.repo_id=<你的使用者名稱>/lerobot_my_dataset_a \
    --dataset.num_episodes=40 \
    --dataset.single_task="Grab Oranges" \
    --dataset.push_to_hub=true \
    --dataset.episode_time_s=10 \
    --dataset.reset_time_s=2

採集中

鍵盤方向鍵操作： →（右箭頭）提前終止當前episode；進入下一個episode。 ←（左箭頭）取消當前episode；重新錄製。 ESC，立即停止，編碼影片，並上傳數據集。

採集完畢，數據集儲存目錄

/Users/<你的使用者名稱>/.cache/huggingface/lerobot/<你的使用者名稱>/lerobot_my_dataset_a

握手

lerobot-record \
    --robot.type=so101_follower \
    --robot.port=/dev/tty.usbmodem5AAF2193061 \
    --robot.id=my_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 1280, height: 720, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/tty.usbmodem5AAF2194741 \
    --teleop.id=my_leader_arm \
    --display_data=true \
    --dataset.repo_id=<你的使用者名稱>/lerobot_my_dataset_shake_hands \
    --dataset.num_episodes=30 \
    --dataset.single_task="Shanke Hands" \
    --dataset.push_to_hub=false \
    --dataset.episode_time_s=12 \
    --dataset.reset_time_s=1

採集完畢後，握手數據集會儲存在：

/Users/<你的使用者名稱>/.cache/huggingface/lerobot/<你的使用者名稱>/lerobot_my_dataset_shake_hands

關於教程裡用到的兩個數據集

本篇示範了兩個任務，各自的用途不同：

• 抓橘子 lerobot_my_dataset_a：對應前面"一個攝像頭""兩個攝像頭"兩條採集命令，也是本地Ubuntu訓練那篇用的例子
• 握手 lerobot_my_dataset_shake_hands：對應上面的"握手"命令。從第七步訓練到第八步部署，教程統一以它為例子，所以你會看到訓練命令裡的 --dataset.repo_id 和 --dataset.root 都指向它

也就是說，握手這份數據集才是後半段教程的主線示例，請按它去採集。至於命令裡的 --dataset.num_episodes=30、--dataset.episode_time_s=12 這些參數，按你自己的任務調整即可。

採集時需要注意的幾點

• 主動臂不要出現在畫面裡，否則模型會把主動臂也當成特徵學進去，具體可參考採集數據集注意事項
• 每一輪採集結束後都要把物體擺回起點，動作儘量保持一致，數據集的一致性比數量更重要
• 採集和推理時的相機參數（解像度、fps、寬高比）必須完全一致。解像度會被寫進數據集的元數據，訓練和推理時會做校驗，不一致會直接報錯；就算不報錯，解像度不同也意味着視野（取景範圍）不同，模型看到的世界和你示教時的對不上。本教程統一使用 1280×720@30，想改成別的值的話，採集、遙操、部署三處命令要一起改
• 中途退出不要停在 reset 階段，否則這一輪會因為沒有任何幀而儲存失敗（不影響已採集的數據）
• 如果中途退出想接着採，用 --resume=true，並且 --dataset.root 和 --dataset.repo_id 要和第一次完全一致

採集完成後

數據預設儲存在 ~/.cache/huggingface/lerobot/<你的使用者名稱>/ 下。接下來：

1. 想把數據集備份到雲端，見上傳數據集到HuggingFace（可選）
2. 準備開始訓練，請接着看第七步：訓練模型，那篇會先帶你在雲GPU平台上把數據傳上去、把環境裝好

相關產品

SO-ARM101 開發套件→