MicroDuck 本地訓練入門：環境檢查、短跑與雲預覽

先固定原始碼，確認當前虛擬環境能看到 CUDA，再執行 64 個環境、5 次迭代的安裝檢查。這裡的數字是本站選定的短檢查設定，不是官方效能門檻；命令已核對原始碼，本站未實際執行 GPU 訓練。

繁體版於 2026 年 10 月 31 日上線。以下另列原資料修訂日，舊版紀錄不因本地化變成新發布。原資料修訂： 2026年9月8日

1. 新建獨立環境

先安裝 Git 和官方 uv。從一個不存在 microduck-rl-first-run 的父目錄執行，避免覆蓋已有工作。

可複製示例

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

版本固定在 2b25a48。Python 需為 3.12，不能隨意換成 3.13；--locked 用於保留已記錄的依賴。鎖檔案不一致時保留報錯，不先刪除鎖檔案。

2. 檢查 Python、CUDA 與任務

可複製示例

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

應看到 Python 3.12.x、CUDA available: True 和至少一個 GPU。這僅確認裝置可見。再檢查任務列表包含 Mjlab-Velocity-Flat-MicroDuck。

可複製示例

uv run list-envs

3. 執行一次安裝短檢查

可複製示例

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

這會使用本地 GPU。透過條件是環境初始化成功、迭代紀錄推進且沒有異常；5 次迭代不是“學會走路”的目標。若出現紀錄帳號提示，按提示設定後重跑同一檢查。失敗時回到排錯頁。

4. 儲存檢查點與實驗條件

保留輸出的檢查點真實路徑、任務 ID、設定、隨機種子、GPU 與依賴版本。訓練生成的 .pt 檔案需要正式匯出，改副檔名不能變成 ONNX。繼續閱讀匯出與回放。

5. 先預覽雲任務

可複製示例

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

此命令在已設定環境內生成本地原始碼歸檔並列印任務規格，不提交 GPU 任務。檢查硬體、名稱空間和歸檔檔案，避免把本地憑據打包。1h 是示例時限，不是訓練完成承諾。Mac 等環境仍可能在啟動器匯入階段失敗。

提交前核對 Hugging Face 計費說明。移除 --dry-run 才進入實際提交路徑。Ctrl-C 只離開紀錄流，不會取消遠端任務；應到任務頁面取消並核對已停止狀態。

來源與核查日期

資料核查於 2026年9月8日 · 已核查原始資料

1. 新建獨立環境

2. 檢查 Python、CUDA 與任務

3. 執行一次安裝短檢查

4. 儲存檢查點與實驗條件

5. 先預覽雲任務

來源與核查日期

幫助我們瞭解哪些內容有用