so101-act-models / README.md
viktorbon2003's picture
Ajout du README
604fc06 verified
|
Raw History Blame Contribute Delete
5.79 kB
metadata
library_name: lerobot
pipeline_tag: robotics
tags:
  - lerobot
  - act
  - so101
  - robotics
datasets:
  - viktorbon2003/assemblage__20261104_180340
  - viktorbon2003/long_pick_and_place_red__20261104_115241
  - viktorbon2003/pick_and_place_noise_2_20261021_090417
  - viktorbon2003/color_20261020_173921
  - viktorbon2003/pick_place_act_yellow_20261020_152547
  - viktorbon2003/triangle_20261006_151825

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/.safetensors et policy_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_10-47-50
    • long_pick_and_place_red → act_2026-11-04_13-10-36
    • pick_and_place_noise → act_2026-10-21_07-24-08
    • color → act_2026-10-20_21-21-40
    • pick_place_yellow → act_2026-10-20_13-51-35
    • triangle → act_2026-10-06_13-42-01