用阿里云服务器做刷单网站seo搜索引擎优化案例

博主最近想要学习一下robot learning相关内容，找到一个挺著名的由hugging face开源的框架lerobot。网上关于这个框架有用介绍比较少，就想自己来写一下。

lerobot是干啥的？

LeRobot 旨在为 PyTorch 中的真实世界机器人技术提供模型、数据集和工具。目标是降低进入机器人技术领域的门槛，以便每个人都能通过共享数据集和预训练模型做出贡献并从中受益。

lerobot的部署

git clone 项目

git clone https://github.com/huggingface/lerobot.git
cd lerobot

创建虚拟环境

conda create -y -n lerobot python=3.10
conda activate lerobot

安装ffmpeg库

conda install ffmpeg

安装其他依赖 [linux]

如果是下面这样最基本的形式，就代表装基本的依赖

pip install .

这行命令代表安装aloha所需的额外依赖

pip install --no-binary=av -e ".[aloha,]"

其中[ ]内的是额外选项
查看根目录下的pyproject.toml中的[project.optional-dependencies]要啥装啥

aloha = ["gym-aloha>=0.1.1 ; python_version < '4.0'"]
dev = ["pre-commit>=3.7.0", "debugpy>=1.8.1"]
dora = ["gym-dora @ git+https://github.com/dora-rs/dora-lerobot.git#subdirectory=gym_dora ; python_version < '4.0'",
]
dynamixel = ["dynamixel-sdk>=3.7.31", "pynput>=1.7.7"]
feetech = ["feetech-servo-sdk>=1.0.0", "pynput>=1.7.7"]
intelrealsense = ["pyrealsense2>=2.55.1.6486 ; sys_platform != 'darwin'"]
pi0 = ["transformers>=4.48.0"]
pusht = ["gym-pusht>=0.1.5 ; python_version < '4.0'"]
stretch = ["hello-robot-stretch-body>=0.7.27 ; python_version < '4.0' and sys_platform == 'linux'","pyrender @ git+https://github.com/mmatl/pyrender.git ; sys_platform == 'linux'","pyrealsense2>=2.55.1.6486 ; sys_platform != 'darwin'","pynput>=1.7.7",
]
test = ["pytest>=8.1.0", "pytest-cov>=5.0.0", "pyserial>=3.5"]
umi = ["imagecodecs>=2024.1.1"]
video_benchmark = ["scikit-image>=0.23.2", "pandas>=2.2.2"]
xarm = ["gym-xarm>=0.1.1 ; python_version < '4.0'"]

[windows]系统下使用这行命令会报错
原因： PyAV的库中要求使用这条命令的前提是posix env windows不符合

解决方案就是直接先pip安装即可 “av>=12.0.5,<13.0.0”

pip install av==12.2.0
pip install --no-binary=av -e ".[aloha, pusht, feetech]"

–no-binary=av

• ​作用：强制对 av 包从源码构建，而非使用预编译的二进制轮子（.whl）。
• ​原因：
  • ​系统依赖适配：av 是 FFmpeg 的 Python 绑定库，依赖系统级库（如 FFmpeg）。预编译的二进制文件可能与用户系统不兼容。
  • ​定制化需求：需要针对特定环境（如 CUDA 支持）编译 av，或修改其源码。
• ​代价：编译耗时较长，且需确保系统已安装编译工具链（如 gcc, ffmpeg-dev）。

-e 或 --editable

• ​作用：以可编辑模式​（开发模式）安装包。
• ​原理：
  • ​符号链接（Symlink）​：将包的源代码目录直接链接到 Python 的 site-packages 目录中，而非复制文件。
  • ​实时生效：修改源码后无需重新安装，修改立即生效。
• ​典型场景：开发调试自己的包或依赖库时使用。

利用元数据集查看数据集信息

元数据：元数据是关于数据的数据，它提供了对数据的描述、解释和上下文信息，有助于人们更好地理解、管理和使用数据

你可以通过repo_id（仓库ID） 来载入huggingface社区的数据集 和元数据
查看现有的repo_id

from huggingface_hub import HfApi
hub_api = HfApi()
repo_ids = [info.id for info in hub_api.list_datasets(task_categories="robotics", tags=["LeRobot"])]
pprint(repo_ids)

通过repo_id来加载元数据
通过LeRobotDatasetMetadata这个类可以查看数据集的元数据,这样的好处在于你不用下载整个数据集就能知道这个数据集的内容

from lerobot.common.datasets.lerobot_dataset import LeRobotDataset, LeRobotDatasetMetadata
repo_id = "lerobot/aloha_mobile_cabinet"
ds_meta = LeRobotDatasetMetadata(repo_id)

然后利用这个实例化的类就可以打印相关的信息

print(f"Total number of episodes: {ds_meta.total_episodes}")
print(f"Average number of frames per episode: {ds_meta.total_frames / ds_meta.total_episodes:.3f}")
print(f"Frames per second used during data collection: {ds_meta.fps}")
print(f"Robot type: {ds_meta.robot_type}")
print(f"keys to access images from cameras: {ds_meta.camera_keys=}\n")
print("Tasks:")
print(ds_meta.tasks)
print("Features:")
pprint(ds_meta.features)

输出为


还有一些其他的属性如data_path,shapes等可以到这个类中具体去看

直接打印这个实例能获得简单的概况

print(ds_meta)

加载数据集

加载数据的方式和[[利用元数据集查看数据集信息]]类似，都是使用repo_id，不过 LeRobotDataset提供了下载子集的选项

dataset = LeRobotDataset(repo_id, episodes=[0, 10, 11, 23])
# And see how many frames you have:
print(f"Selected episodes: {dataset.episodes}")
print(f"Number of episodes selected: {dataset.num_episodes}")
print(f"Number of frames selected: {dataset.num_frames}")

当然也可以下载完整数据集

dataset = LeRobotDataset(repo_id)
print(f"Number of episodes selected: {dataset.num_episodes}")
print(f"Number of frames selected: {dataset.num_frames}")

输出为

遍历数据

LeRobotDataset是PyTorch dataset的子集 调用方式基本一致

获取第一个epsiode的数据

episode_index = 0
from_idx = dataset.episode_data_index["from"][episode_index].item()
to_idx = dataset.episode_data_index["to"][episode_index].item()

from 和 to存放着每个epsiode的开始和结束index，这边的from[1]和to[0]一样 但是其实结束index是1499 由于需要使用 range（左闭右开）来遍历所以这边to的值会比实际多1

获取第一帧的数据，方式和Pytorch dataset获取方式一样

camera_key = dataset.meta.camera_keys[0]
print(f"{camera_key}")
frames = [dataset[idx][camera_key] for idx in range(from_idx, to_idx)]
print(type(frames[0]))
print(frames[0].shape)

输出为

LeRobotDataset还提供了输出当前状态时附加过去，未来状态的参数

delta_timestamps = {# loads 4 images: 1 second before current frame, 500 ms before, 200 ms before, and current framecamera_key: [-1, -0.5, -0.20, 0],# loads 6 state vectors: 1.5 seconds before, 1 second before, ... 200 ms, 100 ms, and current frame"observation.state": [-1.5, -1, -0.5, -0.20, -0.10, 0],# loads 64 action vectors: current frame, 1 frame in the future, 2 frames, ... 63 frames in the future"action": [t / dataset.fps for t in range(64)],
}
dataset = LeRobotDataset(repo_id, delta_timestamps=delta_timestamps)
print(f"\n{dataset[0][camera_key].shape=}") 
print(f"{dataset[0]['observation.state'].shape=}")
print(f"{dataset[0]['action'].shape=}\n")

输出

dataloader

由于LeRobotDataset是Pytorch Dataset的子类所以实现dataloader的方式非常简单

dataloader = torch.utils.data.DataLoader(dataset,num_workers=0,batch_size=32,shuffle=True,
)
for batch in dataloader:print(f"{batch[camera_key].shape=}") print(f"{batch['observation.state'].shape=}") print(f"{batch['action'].shape=}")  break

输出

参考资料

https://huggingface.co/lerobot

后续

lerobot[评估策略，训练策略]