MicroDuck 本地训练入门：环境检查、短跑与云预览

先固定源码，确认当前虚拟环境能看到 CUDA，再运行 64 个环境、5 次迭代的安装检查。这里的数字是本站选定的短检查配置，不是官方性能门槛；命令已核对源码，本站未实际运行 GPU 训练。

1. 新建独立环境

先安装 Git 和官方 uv。从一个不存在 microduck-rl-first-run 的父目录执行，避免覆盖已有工作。

可复制示例

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 需为 3.12，不能随意换成 3.13；--locked 用于保留已记录的依赖。锁文件不一致时保留报错，不先删除锁文件。

2. 检查 Python、CUDA 与任务

可复制示例

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

应看到 Python 3.12.x、CUDA available: True 和至少一个 GPU。这仅确认设备可见。再检查任务列表包含 Mjlab-Velocity-Flat-MicroDuck。

可复制示例

uv run list-envs

3. 运行一次安装短检查

可复制示例

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

这会使用本地 GPU。通过条件是环境初始化成功、迭代日志推进且没有异常；5 次迭代不是“学会走路”的目标。若出现日志账号提示，按提示配置后重跑同一检查。失败时回到排错页。

4. 保存检查点与实验条件

保留输出的检查点真实路径、任务 ID、配置、随机种子、GPU 与依赖版本。训练生成的 .pt 文件需要正式导出，改扩展名不能变成 ONNX。继续阅读导出与回放。

5. 先预览云任务

可复制示例

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

此命令在已配置环境内生成本地源码归档并打印任务规格，不提交 GPU 任务。检查硬件、命名空间和归档文件，避免把本地凭据打包。1h 是示例时限，不是训练完成承诺。Mac 等环境仍可能在启动器导入阶段失败。

提交前核对 Hugging Face 计费说明。移除 --dry-run 才进入实际提交路径。Ctrl-C 只离开日志流，不会取消远程任务；应到任务页面取消并核对已停止状态。

来源与核查日期

资料核查于 2026年9月8日 · 已核查原始资料

1. 新建独立环境

2. 检查 Python、CUDA 与任务

3. 运行一次安装短检查

4. 保存检查点与实验条件

5. 先预览云任务

来源与核查日期

帮助我们了解哪些内容有用