第七步:雲端 GPU 訓練環境設定
訓練之前，先看這裡
數據集已經在第六步採集好了，接下來就是訓練模型。這一步包含三件事，本篇負責前兩件：
- 準備訓練環境：在雲GPU平台開通實例，裝好 LeRobot、ffmpeg、wandb 等（本篇）
- 把數據集傳到雲GPU上：第六步採的數據還在你自己的電腦裡（本篇的"掛載數據集"一節）
- 執行訓練命令：算法怎麼選、參數怎麼調，見下面各篇
教程用到的數據集
訓練和推理的命令裡，數據集用的是握手任務 lerobot_my_dataset_shake_hands（第六步的第三篇演示的就是它），本地路徑是 ~/lerobot_my_dataset_shake_hands。執行訓練命令前，請確認這個目錄確實存在、名字完全一致。
如果你想訓練的是自己採的任務，把命令裡所有 lerobot_my_dataset_shake_hands 替換成你自己的數據集名即可。
訓練算法怎麼選
| 算法 | 文檔 | 特點 |
|---|---|---|
| ACT | 訓練命令列-ACT | 推薦入門，模型小、訓練快，單卡一小時能看到效果 |
| SmolVLA | 訓練命令列-smolvla | 推薦進階，可基於預訓練模型微調 |
| pi0 | 訓練命令列-pi0 | 效果最好，但顯存佔用大、訓練慢 |
| pi0.5 | 訓練命令列-pi0.5 | pi0 的改進版 |
| pi0fast | 訓練命令列-pi0fast | 推理速度更快 |
建議先從 ACT 跑通一遍完整流程，熟悉之後再換其它算法。
訓練之後
- 想把訓練好的模型傳到 Hugging Face（備份、換機器、分享給別人），見上傳模型到HuggingFace（可選）
- 想把模型下載回本地電腦，見獲得模型權重檔案
本機訓練
如果你的電腦本身就有英偉達顯卡，也可以不用雲GPU，直接在本機訓練，見本地Ubuntu訓練。
關閉自己電腦的網絡代理
不然可能打不開Jupyter的命令列
登錄雲GPU平台Featurize
https://featurize.cn?s=d7ce99f842414bfcaea5662a97581bd1
開啟一個雲GPU實例
點擊下方的“JupyterLab”，左上角有個上傳按鈕，可以在這裡上傳代碼和數據集
安裝配置環境
conda create -y -n lerobot python=3.12
conda activate lerobot
conda install ffmpeg=7.1.1 -c conda-forge -y
# git clone https://github.com/Seeed-Projects/lerobot.git ~/work/Lerobot
git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[pi]"
pip install wandb --upgrade
# export HF_ENDPOINT=https://hf-mirror.com
hf auth login
# 不上傳到Huggingface和不需要wandb則不用安裝如果在模型安裝的時候缺少了training，需要額外安裝一下
pip install -e ".[training]"
登錄wandb
wandb login
複製粘貼API Key，回車
掛載數據集
第一步，把第六步採集好的數據集壓縮成 zip，上傳到雲GPU平台的"數據集"裡（JupyterLab 左上角有上傳按鈕）。平台處理完之後，會給你一條下載命令。
第二步，在實例的命令列裡執行這條下載命令並解壓：
複製實例下載命令，類似：
featurize dataset download 7f40bdaa-b1a4-4c00-9652-ff26fd079109
unzip lerobot_my_dataset_shake_hands.zip數據集出現在~目錄下。
解壓後可以用 ls ~ 確認一下，目錄名要和訓練命令裡的 --dataset.root 完全一致（本篇和後面各篇用的都是 ~/lerobot_my_dataset_shake_hands）。如果解壓出來多了一層同名目錄，比如 ~/lerobot_my_dataset_shake_hands/lerobot_my_dataset_shake_hands，就把裡面那層的內容移到外層，或者直接把 --dataset.root 指向實際的層級。
修改權重儲存頻率（選做）
打開lerobot/src/lerobot/configs/train.py
將save_freq，從20_000修改為5_000
這樣能在訓練更早期獲得模型權重檔案