第七步:ACT 訓練命令列
執行之前
- 環境：需要先按雲GPU訓練環境配置裝好環境、把數據集傳到雲GPU上。ACT 是 LeRobot 基礎環境自帶的，不用額外安裝
- 數據集：命令裡的
--dataset.root=~/lerobot_my_dataset_shake_hands指向第六步採集的握手數據集。如果你訓練的是自己的任務，把它換成你自己的數據集名 - 輸出目錄：
--output_dir如果已經存在，會直接報FileExistsError，換個新目錄名，或者加--resume=true接著訓練 - 訓練中隨時可以在 wandb 上看曲線，見 wandb查看實時訓練曲線
參考文檔
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模型本身很小，壓縮包大概200MB左右，非常便於儲存和傳輸。訓練產出的模型壓縮包約300MB（見本篇末尾）
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
Shell
lerobot-train \
--dataset.repo_id=<你的使用者名稱>/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
| 命令行參數 | 說明 |
|---|---|
| --dataset.repo_id | HuggingFace數據集的Repo_ID，形如使用者名/數據集名 |
| --dataset.root | 數據集本地路徑。數據集已經下載到本地時，要指向實際目錄 |
| --dataset.revision | 數據集版本，在上傳數據集到HuggingFace的時候指定過的 |
| --dataset.streaming | 是否流式讀取。數據集在本地時設為false，無需流式讀取 |
| --policy.type | 要訓練的算法，比如act、smolvla、diffusion、pi0、pi05、pi0_fast、wall_x |
| --output_dir | 訓練輸出儲存的目錄 |
| --job_name | 本次訓練任務的名字 |
| --policy.device | 計算裝置 |
| --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