MicroDuck 첫 학습 실행 | CUDA 확인·짧은 시험·클라우드 미리보기

1. 버전이 고정된 작업 폴더

Git과 공식 uv를 설치한 뒤 microduck-rl-first-run 폴더가 없는 상위 경로에서 실행합니다. 기존 작업을 덮어쓰지 않습니다.

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

확인한 커밋은 2b25a48이며 Python은 3.12입니다. --locked가 불일치를 보고하면 잠금 파일부터 지우지 말고 오류를 남깁니다.

2. 학습할 Python에서 진단

uv run python - <<'PY'
import sys, torch
print('Python:', sys.version)
print('PyTorch:', torch.__version__)
print('CUDA build:', torch.version.cuda)
print('CUDA available:', torch.cuda.is_available())
print('GPU count:', torch.cuda.device_count())
PY

Python 3.12.x, CUDA available: True, 1개 이상의 GPU가 보여야 합니다. 다음 목록에 Mjlab-Velocity-Flat-MicroDuck이 등록돼 있는지도 확인합니다.

uv run list-envs

3. 짧은 실행으로 설치 점검

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

실제 로컬 GPU를 사용합니다. 환경이 초기화되고 예외 없이 반복 로그가 진행되는지 봅니다. 5회만으로 잘 걷는 정책을 기대하지 않습니다. 로깅 서비스 설정을 요청하면 안내대로 준비한 뒤 같은 설정으로 다시 확인하세요.

4. 마지막 모델만 남기지 않기

체크포인트의 실제 경로, 태스크, 설정, 시드와 환경을 보관합니다. 길게 실행할 때는 중간 체크포인트도 같은 평가 조건으로 비교하세요. .pt 파일의 이름만 바꾸면 ONNX가 되는 것이 아니므로 내보내기가 필요합니다.

5. 클라우드 작업 사양 먼저 보기

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

준비된 환경에서 로컬 소스 압축본과 작업 사양을 만들며 GPU 작업을 제출하지 않습니다. 하드웨어, 네임스페이스와 포함 파일을 확인하고 인증키를 압축본에 넣지 마세요. 1h는 제한 시간의 예시이며 학습 완료 예상 시간이 아닙니다.

실제 제출 전 요금을 확인하세요. --dry-run을 제거하면 제출 경로로 진행합니다. Ctrl-C는 로그 연결만 끊으며 원격 작업은 계속될 수 있습니다. 작업 관리에서 취소하고 중지 상태를 확인해야 합니다.