Lokales Training: Einrichtung und erster Testlauf

1. Erstellen Sie eine separate, versionierte Umgebung.

Verwenden Sie einen Computer mit einem kompatiblen NVIDIA-Treiber und einer CUDA-fähigen GPU. Wenn Sie sich für einen Computer entscheiden, lesen Sie zunächst den Umgebungsvergleich. Installieren Sie Git und uv gemäß der offiziellen Anleitung ↗. Führen Sie Folgendes aus einem übergeordneten Verzeichnis aus, in dem microduck-rl-first-run noch nicht vorhanden ist.

git clone https://github.com/pollen-robotics/microduck_rl.git microduck-rl-first-run
cd microduck-rl-first-run
git checkout --detach 2b25a48b08f1f17bc38c90bb03144c81fbd9ed07
uv python install 3.12
uv sync --locked --python 3.12

Das geprüfte Projekt erlaubt Python 3.12 und schließt 3.13 aus. Die Arbeitskopie im Detached-Modus hält diese Anleitung auf einer festen Revision; sie aktualisiert kein vorhandenes Projekt. --locked verlangt, dass die Sperrdatei zum Projekt passt, statt stillschweigend neue Abhängigkeiten aufzulösen. Wenn eine Abweichung gemeldet wird, sichern Sie die Fehlermeldung, anstatt die Sperrdatei zu löschen. Quellen: Python, feste Abhängigkeitsversionen und ARM-Pakete ↗, uv: eine bestimmte Python-Version installieren ↗ und uv: ein Projekt sperren und synchronisieren ↗.

2. Überprüfen Sie die Umgebung, in der das Training ausgeführt wird.

uv run python - <<'PY'
import platform
import torch
print("Python:", platform.python_version())
print("Machine:", platform.system(), platform.machine())
print("PyTorch:", torch.__version__)
print("Built for CUDA:", torch.version.cuda)
print("CUDA available:", torch.cuda.is_available())
print("GPU count:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("GPU:", torch.cuda.get_device_name(0))
PY

Erwarten Sie für diese CUDA-Route Python 3.12.x, einen CUDA-Build von PyTorch, CUDA available: True und mindestens eine sichtbare GPU. Hierbei wird die Erkennung überprüft, nicht die Speicherkapazität oder die vollständige Trainingskompatibilität. Wenn der Import von PyTorch selbst fehlschlägt, behalten Sie diesen Traceback bei und verwenden Sie die Anleitung zur Fehlerbehebung bei Abhängigkeiten. PyTorch: CUDA-Verfügbarkeit prüfen ↗ erklärt die Verfügbarkeitsprüfung.

uv run list-envs

Suchen Sie in der Ausgabe nach Mjlab-Velocity-Flat-MicroDuck, bevor Sie es unten verwenden. Wenn es fehlt, überprüfen Sie das ausgecheckte und installierte Projekt, anstatt einen Aufgabennamen von einem anderen Fork zu kopieren. MicroDuck RL Schnellstart und Aufgabenregistrierung ↗.

3. Führen Sie eine kurze Installationsprüfung durch.

uv run train Mjlab-Velocity-Flat-MicroDuck \
  --env.scene.num-envs 64 \
  --agent.max_iterations 5

Damit beginnt echte lokale GPU-Arbeit. Wir haben 64 Umgebungen und 5 Iterationen ausgewählt, um die Prüfung begrenzt zu halten; Sie stellen kein veröffentlichtes Hardware-Mindestmaß dar. Ein nützlicher Schritt besteht darin, dass die Aufgabe initialisiert wird und die Iterationsprotokolle ausnahmslos fortschreiten. Wenn die Ausführung für ein Konto oder eine Protokollierungsaufforderung stoppt, schließen Sie die angeforderte Einrichtung ab und wiederholen Sie die gleiche Prüfung. Wenn dies fehlschlägt, notieren Sie den ersten Fehler und die letzte erfolgreiche Phase.

Sobald die kleine Auflage funktioniert, planen Sie eine längere Ausführung im Hinblick auf Ihren GPU-Speicher und Ihr Zeitbudget. Zunehmende parallele Umgebungen oder Iterationen verändern das Experiment; Notieren Sie diese Entscheidungen. Von einer Policy, die für fünf Iterationen trainiert wurde, ist nicht zu erwarten, dass sie gut funktioniert.

4. Behalten Sie den Prüfpunkt und seinen Kontext bei.

Speichern Sie den tatsächlichen Checkpoint-Pfad oder W&B-Laufpfad, der von Ihrem Lauf gedruckt wurde, zusammen mit der Aufgaben-ID und der Konfiguration. Ein .pt-Trainingskontrollpunkt ist eine Eingabe für den Exporteur; Eine Änderung der Erweiterung führt nicht dazu, dass daraus ein einsetzbares Modell wird. Fahren Sie mit der ONNX-Export- und Wiedergabeanleitung fort.

Datum und Ziel:
Repository-URL und vollständiger Commit:
Noch nicht committete Änderungen:
Betriebssystem / Architektur / Python / uv:
GPU / Treiber / PyTorch / CUDA-Build:
Aufgaben-ID:
Genauer Befehl:
Anzahl der Umgebungen / Iterationsgrenze / Zufallsstartwert:
Lauf-URL und Checkpoint-Pfad:
Was erfolgreich initialisiert wurde:
Beobachtetes Ergebnis oder erster Fehler:
Eine Änderung für den nächsten Versuch:

5. Sehen Sie sich eine Cloud-Route in der Vorschau an, wenn die lokale Rechenleistung nicht geeignet ist.

In einer eingerichteten Arbeitskopie kann das offizielle Skript eine Auftragsbeschreibung vorbereiten, ohne einen GPU-Auftrag abzusenden. Die Authentifizierung beschreibt die Anleitung für MicroDuck-Cloud-Aufträge ↗. Das folgende Beispiel setzt eine Obergrenze von einer Stunde. Das ist keine Zusage für die Fertigstellungszeit.

uv run train Mjlab-Velocity-Flat-MicroDuck \
  --env.scene.num-envs 64 \
  --agent.max_iterations 5 \
  --hf-jobs --timeout 1h --dry-run

Die Vorschau bereitet ein lokales Quellarchiv vor und druckt die Auftragsspezifikation. Überprüfen Sie die Hardware, den Namespace und die Quelldateien. Entfernen Sie lokale Geheimnisse von allem, was hochgeladen werden soll. Nur das Entfernen von --dry-run startet den Übermittlungspfad. Auf einem Mac können immer noch Abhängigkeits- oder Importprobleme auftreten, bevor dieser Wrapper erreicht wird. Ein Cloud-Ziel umgeht nicht die Anforderungen des lokalen Launchers. Cloud-Übermittlung und Checkpoint-Export-Implementierung ↗.

Lesen Sie vor dem Absenden Hugging Face Jobs: aktuelle Preise und Abrechnung ↗. Behalten Sie nach der Übermittlung die Job-URL bei. Strg-C trennt den MicroDuck-Protokollstream; Der Remote-Job wird dadurch nicht abgebrochen. Abbrechen von der Jobseite oder folgen Sie Hugging Face: Jobs verwalten und stornieren ↗ und überprüfen Sie den Stoppstatus.

Fahren Sie mit Ihrem Ergebnis fort.