Instructions to use viktorbon2003/so101-act-models with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- LeRobot
How to use viktorbon2003/so101-act-models with LeRobot:
# No code snippets available yet for this library. # To use this model, check the repository files and the library's documentation. # Want to help? PRs adding snippets are welcome at: # https://github.com/huggingface/huggingface.js
- Notebooks
- Google Colab
- Kaggle
Politiques ACT pour bras SO-101 – Viktor Bonnenge
Ce dépôt regroupe 6 politiques ACT entraînées avec LeRobot sur un bras SO-101, une par tâche. Chaque dossier contient uniquement le modèle final (207 Mo). Les checkpoints intermédiaires et l'état de l'optimiseur ont été retirés pour alléger le partage : on passe de plus de 100 Go à **1,2 Go au total**.
Configuration commune : bras SO-101 (follower), 2 caméras (close et wide), enregistrement à 25 fps, datasets au format LeRobot v3.0.
Contenu
| Dossier | Tâche | Steps d'entraînement | Dataset (public) | Épisodes | Taille du dataset |
|---|---|---|---|---|---|
assemblage/ |
Assemblage de 2 blocs | 20 000 | assemblage__20261104_180340 | 40 | 637 Mo |
long_pick_and_place_red/ |
Pick & place du cube rouge, position bruitée | 70 000 | long_pick_and_place_red__20261104_115241 | 75 | 608 Mo |
pick_and_place_noise/ |
Pick & place d'un bloc bleu, position jamais fixe | 14 998 | pick_and_place_noise_2_20261021_090417 | 40 | 277 Mo |
color/ |
Pick & place du cube rouge, positions fixes interchangées | 15 000 | color_20261020_173921 | 50 | 330 Mo |
pick_place_yellow/ |
Pick & place (objet jaune) | 15 000 | pick_place_act_yellow_20261020_152547 | 22 | 152 Mo |
triangle/ |
Pick & place du triangle (validation) | 10 000 | triangle_20261006_151825 | 50 | 387 Mo |
Description des datasets
- assemblage : le bras assemble 2 blocs l'un avec l'autre.
- long_pick_and_place_red : pick & place du cube rouge, avec du bruit sur la position de départ pour rendre la politique plus robuste. C'est le dataset le plus long : 75 épisodes et 70 000 steps d'entraînement.
- pick_and_place_noise : un seul bloc bleu, dont la position change à chaque épisode (jamais fixe).
- color : pick & place du cube rouge. Les positions sont fixes, mais le cube est échangé entre les emplacements des blocs d'un épisode à l'autre.
- pick_place_yellow : pick & place de l'objet jaune.
- triangle : pick & place du triangle. C'est la première tâche, qui a servi à valider le fonctionnement de toute la chaîne (enregistrement, entraînement, exécution).
Chaque dossier contient :
model.safetensors: les poids du modèle final ;config.json: la configuration de la politique ;policy_preprocessor*.json/.safetensorsetpolicy_postprocessor*: les normalisations entrée/sortie, à garder avec le modèle ;train_config.json: la configuration complète de l'entraînement, pour la reproductibilité.
Récupérer les modèles
Il faut le paquet huggingface_hub (pip install -U huggingface_hub), déjà installé avec LeRobot.
Tout le dépôt (~1,2 Go) :
hf download viktorbon2003/so101-act-models --local-dir so101-act-models
Un seul modèle (~207 Mo), par exemple l'assemblage :
hf download viktorbon2003/so101-act-models --include "assemblage/*" --local-dir so101-act-models
La même chose en Python :
from huggingface_hub import snapshot_download
snapshot_download(
"viktorbon2003/so101-act-models",
local_dir="so101-act-models",
allow_patterns=["assemblage/*"], # à retirer pour tout télécharger
)
Récupérer les datasets
Les datasets sont publics. On peut les visualiser en ligne sans rien télécharger avec le visualiseur LeRobot : il suffit de coller l'identifiant, par exemple viktorbon2003/assemblage__20261104_180340.
Pour les télécharger :
hf download viktorbon2003/assemblage__20261104_180340 --repo-type dataset --local-dir datasets/assemblage
Pour les charger directement avec LeRobot :
from lerobot.datasets.lerobot_dataset import LeRobotDataset
ds = LeRobotDataset("viktorbon2003/assemblage__20261104_180340")
print(ds.num_episodes, ds.fps)
Utiliser un modèle
Charger la politique en Python :
from lerobot.policies.act.modeling_act import ACTPolicy
policy = ACTPolicy.from_pretrained("so101-act-models/assemblage")
Pour la faire tourner sur le bras : utiliser lerobot-record avec la même configuration robot/caméras que pour l'enregistrement des datasets, en ajoutant --policy.path=so101-act-models/<dossier>.
Remarques
- Les checkpoints intermédiaires (tous les 1 000 steps) existent toujours dans mes dépôts d'origine. Je peux les partager sur demande.
- Correspondance avec les dépôts d'entraînement d'origine :
assemblage→act_2026-11-05_10-47-50long_pick_and_place_red→act_2026-11-04_13-10-36pick_and_place_noise→act_2026-10-21_07-24-08color→act_2026-10-20_21-21-40pick_place_yellow→act_2026-10-20_13-51-35triangle→act_2026-10-06_13-42-01