第七步:上傳模型到 Hugging Face(可選)

這一步是可選的。模型訓練完就存在你的電腦或雲GPU實例上，直接拿去推理完全沒問題。只有當你需要備份模型、換一台機器推理、或者把模型分享給別人時，才需要把它上傳到 HuggingFace。

命令中的佔位符

本篇沿用了前面章節的佔位符寫法，請替換成你自己的資訊，替換時連尖括號一起去掉：

• <你的使用者名稱>：你的 HuggingFace 帳號名
• <你的使用者名稱>：你電腦的系統使用者名，終端裡輸入 whoami 可以查看

方法一：訓練時自動上傳

在訓練命令裡加上兩行參數，訓練結束時會自動把模型傳上去：

  --policy.push_to_hub=true \
  --policy.repo_id=<你的使用者名稱>/shake_act_a \

這兩行必須成對出現，只寫 push_to_hub=true 會報錯。 repo_id 就是你給這個模型起的倉庫名，形如 帳號名/模型名，倉庫不存在的話 LeRobot 會自動建立。

比如 ACT 的完整命令就變成：

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=true \
  --policy.repo_id=<你的使用者名稱>/shake_act_a \
  --steps=20000 \
  --batch_size=8

按上一節的說明，這一版訓練跑完，模型就會出現在 https://huggingface.co/<你的使用者名稱>/shake_act_a。

想連中間的檢查點一起上傳

訓練過程中每隔 save_freq（預設 20000 步）會存一個檢查點。如果你想把這些中間檢查點也傳上去（比如訓練要跑很久，想隨時取用中途的模型），再加上這一行：

  --policy.save_checkpoint_to_hub=true \

上傳時每個檢查點會被打上和步數同名的標籤（比如 010000），後面載入模型時指定這個標籤就能取到對應步數的版本，具體見下面的"載入上傳的模型"。

幾個可選參數

按需添加：

參數	說明
--policy.private=true	倉庫設為私有，別人看不到
--policy.tags=act,so101	給模型加標籤，便於檢索
--policy.license=mit	指定開源協議

方法二：訓練完成後手動上傳

這是更常用的做法：訓練時照常寫 --policy.push_to_hub=false，等訓練結束、確認效果滿意了，再手動把模型傳上去。

1. 登錄

綁定過 Token 就可以跳過，沒綁定過見註冊Hugging Face帳號（可選）。

hf auth login
hf auth whoami

2. 上傳

假設 ACT 訓練的輸出目錄是 ~/output_lerobot_train/shake/act/：

export HF_USER=<你的使用者名稱>

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

模型倉庫不需要提前建立，hf upload 發現倉庫不存在會自動建一個。

3. 上傳指定步數的檢查點

如果只想傳某個中間檢查點，而不是最後一個：

CKPT=005000
hf upload ${HF_USER}/shake_act_a_${CKPT} \
  ~/output_lerobot_train/shake/act/checkpoints/${CKPT}/pretrained_model

4. 在網頁上傳

如果模型不大、又不想敲命令，也可以直接在 HuggingFace 網頁上操作：新建一個 Model 倉庫，把 pretrained_model 目錄裡的檔案拖進去即可。

載入上傳的模型

模型上傳後，部署時把 --policy.path 指向它就行，不需要先下載到本地：

  --policy.path=<你的使用者名稱>/shake_act_a \

這比指向本地路徑更方便，換電腦、或者別人拿到你的帳號名就能直接用。注意從 HuggingFace 拉取模型需要能連上它的伺服器，國內網絡環境下建議先按註冊Hugging Face帳號（可選）設定好鏡像。

如果上傳了多個檢查點，想指定用哪一個，加上版本號：

  --policy.pretrained_revision=005000 \

005000 就是你上傳時的那個檢查點步數。

說明

• 模型的倉庫名（repo_id）和訓練命令裡的 --output_dir、--job_name 沒有關係，是獨立的，取個好認的名字即可
• 教程裡所有訓練命令寫的都是 --policy.push_to_hub=false，想用自動上傳的話，把這一行改成 true 並補上 --policy.repo_id，兩者缺一不可

相關產品

SO-ARM101 開發套件→