Upload folder using huggingface_hub
Browse files- README.md +12 -0
- config.json +55 -0
- config.yaml +254 -0
- model.safetensors +3 -0
README.md
ADDED
|
@@ -0,0 +1,12 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
library_name: lerobot
|
| 3 |
+
tags:
|
| 4 |
+
- act
|
| 5 |
+
- model_hub_mixin
|
| 6 |
+
- pytorch_model_hub_mixin
|
| 7 |
+
- robotics
|
| 8 |
+
---
|
| 9 |
+
|
| 10 |
+
This model has been pushed to the Hub using the [PytorchModelHubMixin](https://huggingface.co/docs/huggingface_hub/package_reference/mixins#huggingface_hub.PyTorchModelHubMixin) integration:
|
| 11 |
+
- Library: https://github.com/huggingface/lerobot
|
| 12 |
+
- Docs: [More Information Needed]
|
config.json
ADDED
|
@@ -0,0 +1,55 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"chunk_size": 100,
|
| 3 |
+
"dim_feedforward": 3200,
|
| 4 |
+
"dim_model": 512,
|
| 5 |
+
"dropout": 0.1,
|
| 6 |
+
"feedforward_activation": "relu",
|
| 7 |
+
"input_normalization_modes": {
|
| 8 |
+
"observation.images.hand_image": "mean_std",
|
| 9 |
+
"observation.images.image": "mean_std",
|
| 10 |
+
"observation.images.image_with_depth": "mean_std",
|
| 11 |
+
"observation.state": "mean_std"
|
| 12 |
+
},
|
| 13 |
+
"input_shapes": {
|
| 14 |
+
"observation.images.hand_image": [
|
| 15 |
+
3,
|
| 16 |
+
480,
|
| 17 |
+
640
|
| 18 |
+
],
|
| 19 |
+
"observation.images.image": [
|
| 20 |
+
3,
|
| 21 |
+
480,
|
| 22 |
+
640
|
| 23 |
+
],
|
| 24 |
+
"observation.images.image_with_depth": [
|
| 25 |
+
3,
|
| 26 |
+
480,
|
| 27 |
+
640
|
| 28 |
+
],
|
| 29 |
+
"observation.state": [
|
| 30 |
+
8
|
| 31 |
+
]
|
| 32 |
+
},
|
| 33 |
+
"kl_weight": 10.0,
|
| 34 |
+
"latent_dim": 32,
|
| 35 |
+
"n_action_steps": 100,
|
| 36 |
+
"n_decoder_layers": 1,
|
| 37 |
+
"n_encoder_layers": 4,
|
| 38 |
+
"n_heads": 8,
|
| 39 |
+
"n_obs_steps": 1,
|
| 40 |
+
"n_vae_encoder_layers": 4,
|
| 41 |
+
"output_normalization_modes": {
|
| 42 |
+
"action": "mean_std"
|
| 43 |
+
},
|
| 44 |
+
"output_shapes": {
|
| 45 |
+
"action": [
|
| 46 |
+
7
|
| 47 |
+
]
|
| 48 |
+
},
|
| 49 |
+
"pre_norm": false,
|
| 50 |
+
"pretrained_backbone_weights": "ResNet18_Weights.IMAGENET1K_V1",
|
| 51 |
+
"replace_final_stride_with_dilation": false,
|
| 52 |
+
"temporal_ensemble_coeff": null,
|
| 53 |
+
"use_vae": true,
|
| 54 |
+
"vision_backbone": "resnet18"
|
| 55 |
+
}
|
config.yaml
ADDED
|
@@ -0,0 +1,254 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
resume: false
|
| 2 |
+
device: cuda
|
| 3 |
+
use_amp: false
|
| 4 |
+
seed: 1000
|
| 5 |
+
dataset_repo_id: lerobot/berkeley_autolab_ur5
|
| 6 |
+
video_backend: pyav
|
| 7 |
+
training:
|
| 8 |
+
offline_steps: 2000
|
| 9 |
+
num_workers: 4
|
| 10 |
+
batch_size: 4
|
| 11 |
+
eval_freq: -1
|
| 12 |
+
log_freq: 10
|
| 13 |
+
save_checkpoint: true
|
| 14 |
+
save_freq: 1000
|
| 15 |
+
online_steps: 0
|
| 16 |
+
online_rollout_n_episodes: 1
|
| 17 |
+
online_rollout_batch_size: 1
|
| 18 |
+
online_steps_between_rollouts: 1
|
| 19 |
+
online_sampling_ratio: 0.5
|
| 20 |
+
online_env_seed: null
|
| 21 |
+
online_buffer_capacity: null
|
| 22 |
+
online_buffer_seed_size: 0
|
| 23 |
+
do_online_rollout_async: false
|
| 24 |
+
image_transforms:
|
| 25 |
+
enable: false
|
| 26 |
+
max_num_transforms: 3
|
| 27 |
+
random_order: false
|
| 28 |
+
brightness:
|
| 29 |
+
weight: 1
|
| 30 |
+
min_max:
|
| 31 |
+
- 0.8
|
| 32 |
+
- 1.2
|
| 33 |
+
contrast:
|
| 34 |
+
weight: 1
|
| 35 |
+
min_max:
|
| 36 |
+
- 0.8
|
| 37 |
+
- 1.2
|
| 38 |
+
saturation:
|
| 39 |
+
weight: 1
|
| 40 |
+
min_max:
|
| 41 |
+
- 0.5
|
| 42 |
+
- 1.5
|
| 43 |
+
hue:
|
| 44 |
+
weight: 1
|
| 45 |
+
min_max:
|
| 46 |
+
- -0.05
|
| 47 |
+
- 0.05
|
| 48 |
+
sharpness:
|
| 49 |
+
weight: 1
|
| 50 |
+
min_max:
|
| 51 |
+
- 0.8
|
| 52 |
+
- 1.2
|
| 53 |
+
lr: 2.0e-05
|
| 54 |
+
lr_backbone: 1.0e-05
|
| 55 |
+
weight_decay: 0.0001
|
| 56 |
+
grad_clip_norm: 10
|
| 57 |
+
fps: 30
|
| 58 |
+
delta_timestamps:
|
| 59 |
+
action:
|
| 60 |
+
- 0.0
|
| 61 |
+
- 0.03333333333333333
|
| 62 |
+
- 0.06666666666666667
|
| 63 |
+
- 0.1
|
| 64 |
+
- 0.13333333333333333
|
| 65 |
+
- 0.16666666666666666
|
| 66 |
+
- 0.2
|
| 67 |
+
- 0.23333333333333334
|
| 68 |
+
- 0.26666666666666666
|
| 69 |
+
- 0.3
|
| 70 |
+
- 0.3333333333333333
|
| 71 |
+
- 0.36666666666666664
|
| 72 |
+
- 0.4
|
| 73 |
+
- 0.43333333333333335
|
| 74 |
+
- 0.4666666666666667
|
| 75 |
+
- 0.5
|
| 76 |
+
- 0.5333333333333333
|
| 77 |
+
- 0.5666666666666667
|
| 78 |
+
- 0.6
|
| 79 |
+
- 0.6333333333333333
|
| 80 |
+
- 0.6666666666666666
|
| 81 |
+
- 0.7
|
| 82 |
+
- 0.7333333333333333
|
| 83 |
+
- 0.7666666666666667
|
| 84 |
+
- 0.8
|
| 85 |
+
- 0.8333333333333334
|
| 86 |
+
- 0.8666666666666667
|
| 87 |
+
- 0.9
|
| 88 |
+
- 0.9333333333333333
|
| 89 |
+
- 0.9666666666666667
|
| 90 |
+
- 1.0
|
| 91 |
+
- 1.0333333333333334
|
| 92 |
+
- 1.0666666666666667
|
| 93 |
+
- 1.1
|
| 94 |
+
- 1.1333333333333333
|
| 95 |
+
- 1.1666666666666667
|
| 96 |
+
- 1.2
|
| 97 |
+
- 1.2333333333333334
|
| 98 |
+
- 1.2666666666666666
|
| 99 |
+
- 1.3
|
| 100 |
+
- 1.3333333333333333
|
| 101 |
+
- 1.3666666666666667
|
| 102 |
+
- 1.4
|
| 103 |
+
- 1.4333333333333333
|
| 104 |
+
- 1.4666666666666666
|
| 105 |
+
- 1.5
|
| 106 |
+
- 1.5333333333333334
|
| 107 |
+
- 1.5666666666666667
|
| 108 |
+
- 1.6
|
| 109 |
+
- 1.6333333333333333
|
| 110 |
+
- 1.6666666666666667
|
| 111 |
+
- 1.7
|
| 112 |
+
- 1.7333333333333334
|
| 113 |
+
- 1.7666666666666666
|
| 114 |
+
- 1.8
|
| 115 |
+
- 1.8333333333333333
|
| 116 |
+
- 1.8666666666666667
|
| 117 |
+
- 1.9
|
| 118 |
+
- 1.9333333333333333
|
| 119 |
+
- 1.9666666666666666
|
| 120 |
+
- 2.0
|
| 121 |
+
- 2.033333333333333
|
| 122 |
+
- 2.066666666666667
|
| 123 |
+
- 2.1
|
| 124 |
+
- 2.1333333333333333
|
| 125 |
+
- 2.1666666666666665
|
| 126 |
+
- 2.2
|
| 127 |
+
- 2.2333333333333334
|
| 128 |
+
- 2.2666666666666666
|
| 129 |
+
- 2.3
|
| 130 |
+
- 2.3333333333333335
|
| 131 |
+
- 2.3666666666666667
|
| 132 |
+
- 2.4
|
| 133 |
+
- 2.433333333333333
|
| 134 |
+
- 2.466666666666667
|
| 135 |
+
- 2.5
|
| 136 |
+
- 2.533333333333333
|
| 137 |
+
- 2.566666666666667
|
| 138 |
+
- 2.6
|
| 139 |
+
- 2.6333333333333333
|
| 140 |
+
- 2.6666666666666665
|
| 141 |
+
- 2.7
|
| 142 |
+
- 2.7333333333333334
|
| 143 |
+
- 2.7666666666666666
|
| 144 |
+
- 2.8
|
| 145 |
+
- 2.8333333333333335
|
| 146 |
+
- 2.8666666666666667
|
| 147 |
+
- 2.9
|
| 148 |
+
- 2.933333333333333
|
| 149 |
+
- 2.966666666666667
|
| 150 |
+
- 3.0
|
| 151 |
+
- 3.033333333333333
|
| 152 |
+
- 3.066666666666667
|
| 153 |
+
- 3.1
|
| 154 |
+
- 3.1333333333333333
|
| 155 |
+
- 3.1666666666666665
|
| 156 |
+
- 3.2
|
| 157 |
+
- 3.2333333333333334
|
| 158 |
+
- 3.2666666666666666
|
| 159 |
+
- 3.3
|
| 160 |
+
eval:
|
| 161 |
+
n_episodes: 50
|
| 162 |
+
batch_size: 50
|
| 163 |
+
use_async_envs: true
|
| 164 |
+
wandb:
|
| 165 |
+
enable: true
|
| 166 |
+
disable_artifact: false
|
| 167 |
+
project: lerobot
|
| 168 |
+
notes: ''
|
| 169 |
+
env:
|
| 170 |
+
name: act_ur5_real
|
| 171 |
+
fps: 30
|
| 172 |
+
state_dim: 8
|
| 173 |
+
action_dim: 7
|
| 174 |
+
task: null
|
| 175 |
+
env:
|
| 176 |
+
name: real world
|
| 177 |
+
action_dim: 7
|
| 178 |
+
state_dim: 8
|
| 179 |
+
fps: 30
|
| 180 |
+
override_dataset_stats:
|
| 181 |
+
observation.images.image_with_depth:
|
| 182 |
+
mean:
|
| 183 |
+
- - - 0.485
|
| 184 |
+
- - - 0.456
|
| 185 |
+
- - - 0.406
|
| 186 |
+
std:
|
| 187 |
+
- - - 0.229
|
| 188 |
+
- - - 0.224
|
| 189 |
+
- - - 0.225
|
| 190 |
+
observation.images.image:
|
| 191 |
+
mean:
|
| 192 |
+
- - - 0.485
|
| 193 |
+
- - - 0.456
|
| 194 |
+
- - - 0.406
|
| 195 |
+
std:
|
| 196 |
+
- - - 0.229
|
| 197 |
+
- - - 0.224
|
| 198 |
+
- - - 0.225
|
| 199 |
+
observation.images.hand_image:
|
| 200 |
+
mean:
|
| 201 |
+
- - - 0.485
|
| 202 |
+
- - - 0.456
|
| 203 |
+
- - - 0.406
|
| 204 |
+
std:
|
| 205 |
+
- - - 0.229
|
| 206 |
+
- - - 0.224
|
| 207 |
+
- - - 0.225
|
| 208 |
+
policy:
|
| 209 |
+
name: act
|
| 210 |
+
fps: 30
|
| 211 |
+
n_obs_steps: 1
|
| 212 |
+
chunk_size: 100
|
| 213 |
+
n_action_steps: 100
|
| 214 |
+
input_shapes:
|
| 215 |
+
observation.images.image_with_depth:
|
| 216 |
+
- 3
|
| 217 |
+
- 480
|
| 218 |
+
- 640
|
| 219 |
+
observation.images.image:
|
| 220 |
+
- 3
|
| 221 |
+
- 480
|
| 222 |
+
- 640
|
| 223 |
+
observation.images.hand_image:
|
| 224 |
+
- 3
|
| 225 |
+
- 480
|
| 226 |
+
- 640
|
| 227 |
+
observation.state:
|
| 228 |
+
- ${env.state_dim}
|
| 229 |
+
output_shapes:
|
| 230 |
+
action:
|
| 231 |
+
- ${env.action_dim}
|
| 232 |
+
input_normalization_modes:
|
| 233 |
+
observation.images.image_with_depth: mean_std
|
| 234 |
+
observation.images.image: mean_std
|
| 235 |
+
observation.images.hand_image: mean_std
|
| 236 |
+
observation.state: mean_std
|
| 237 |
+
output_normalization_modes:
|
| 238 |
+
action: mean_std
|
| 239 |
+
vision_backbone: resnet18
|
| 240 |
+
pretrained_backbone_weights: ResNet18_Weights.IMAGENET1K_V1
|
| 241 |
+
replace_final_stride_with_dilation: false
|
| 242 |
+
pre_norm: false
|
| 243 |
+
dim_model: 512
|
| 244 |
+
n_heads: 8
|
| 245 |
+
dim_feedforward: 3200
|
| 246 |
+
feedforward_activation: relu
|
| 247 |
+
n_encoder_layers: 4
|
| 248 |
+
n_decoder_layers: 1
|
| 249 |
+
use_vae: true
|
| 250 |
+
latent_dim: 32
|
| 251 |
+
n_vae_encoder_layers: 4
|
| 252 |
+
temporal_ensemble_momentum: null
|
| 253 |
+
dropout: 0.1
|
| 254 |
+
kl_weight: 10.0
|
model.safetensors
ADDED
|
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
version https://git-lfs.github.com/spec/v1
|
| 2 |
+
oid sha256:74613169d44a44f8b68580b59b49455deb97cab34649a7dd13f96df8690b3724
|
| 3 |
+
size 206713700
|