跳到主要内容

模型训练

艾欧数据平台提供完整的机器人学习模型训练功能，支持从数据预处理到模型部署的端到端工作流。平台集成了多种主流的机器人学习算法，为研究人员和开发者提供高效的模型训练环境。

产品特色​

灵活架构​

产品采用分层架构设计，确保系统的可扩展性。训练的算力支持多重选择：

  • 私有云：使用本地机房的GPU服务器（支持多卡并行训练）
  • 公有云：按需租赁云服务商的算力资源（按实际训练的时长计费）

选择训练位置

从数据到模型​

平台已覆盖了从数据采集，标注，导出，训练微调，模型部署的数据全链路。

支持的模型类型​

平台支持机器人领域的主流学习模型，涵盖视觉-语言-动作融合、模仿学习、强化学习等技术路线：

视觉-语言-动作模型​

  • SmolVLA - 轻量级多模态模型，将自然语言指令、视觉感知和机器人动作进行端到端学习
  • OpenVLA - 大规模预训练的视觉-语言-动作模型，支持复杂的场景理解和操作规划

模仿学习模型​

  • ACT (Action Chunking Transformer) - 基于Transformer架构的动作分块模型，将连续动作序列分解为离散块进行学习
  • Pi0 / Pi0.5 - Physical Intelligence 开源的旗舰 VLA 模型，通过 OpenPI 框架进行微调，具备极强的通用操作能力。详见：Pi0 微调指南
  • Pi0-Fast - Pi0 算法的优化版本，采用自回归架构以提高推理速度。

策略学习模型​

  • Diffusion Policy - 基于扩散过程的策略学习，通过去噪过程生成连续的机器人动作轨迹
  • VQBET - 向量量化行为变换器，将连续动作空间离散化后使用Transformer进行建模

强化学习模型​

  • SAC (Soft Actor-Critic) - 最大熵强化学习算法，在连续动作空间中平衡探索与利用
  • TDMPC - 时间差分模型预测控制，结合基于模型的规划和无模型的学习优势
信息

以上模型覆盖了主流的技术路线，可以应用于多种机器人任务，例如：

应用场景使用模型说明
桌面整理任务SmolVLA, Pi0机器人可理解“请整理桌面上的物品”等自然语言指令，并执行抓取、移动、放置动作
物品分拣任务ACT通过学习专家分拣演示，机器人可识别不同物品并按类别分拣
复杂操作任务Diffusion Policy机器人可学习执行如组装、烹饪等需要精确控制的复杂操作序列
自适应控制SAC 等强化学习算法机器人可在动态环境中学习最优控制策略，适应环境变化

训练工作流程​

平台提供了产品化的训练流程，无需代码能力，全程通过网页实现从数据准备到模型部署的完整操作链路：

1. 数据准备​

选择训练数据

平台支持多种数据来源，包括：

  • 平台导出数据 - 使用平台标注和导出的机器人演示数据 导出训练数据
  • 外部数据集 - 通过URL链接导入公开数据集
  • 本地数据上传 - 支持HDF5、LeRobot等标准格式
  • HuggingFace数据集 - 直接从HuggingFace Hub获取公开数据

2. 训练配置​

计算资源选择​

平台支持灵活的计算资源选择，满足不同规模的训练需求：

训练位置选择：

  • 本地GPU（local-gpu） - 使用本地机房的GPU服务器，适合长期训练任务和私有化部署

    • 支持多GPU并行训练
    • 实时显示GPU状态（显存使用、温度、利用率）
    • 适合大规模数据集和长时间训练

  • 公有云资源 - 按需租赁云服务商的算力资源，按实际训练时长计费

    • RunPod - 支持GPU容器快速部署
    • AWS EC2/SageMaker/Batch - 亚马逊云服务集成
    • 腾讯云/阿里云 - 国内云服务商支持
    • 适合临时性训练任务或资源扩展需求

平台自动检测：

  • CUDA平台 - 自动检测NVIDIA GPU，支持CUDA加速训练
  • MPS平台 - 支持Apple Silicon（M1/M2等）的Metal Performance Shaders加速
  • CPU平台 - 无GPU时自动回退到CPU训练（速度较慢，适合小规模测试）

GPU选择与监控：

  • 训练前可查看可用GPU列表及实时状态
  • 支持手动选择特定GPU或多GPU并行
  • 实时监控GPU利用率、显存占用、温度等信息
  • 自动优化显存分配，避免资源浪费

选择训练位置

模型架构选择​

根据具体任务需求选择合适的模型：

  • 对于需要理解自然语言指令的任务，选择SmolVLA或OpenVLA
  • 对于有专家演示数据的模仿学习任务，选择 ACT、Pi0 或 Pi0-Fast
  • 对于需要在线学习的任务，选择SAC或TDMPC

训练参数设置​

平台提供了丰富的训练参数配置选项，支持不同模型的特定需求：

通用训练参数：

  • batch_size（批次大小）- 控制每次训练使用的样本数量，建议范围1-32。较大批次提高训练稳定性但需要更多显存
  • steps（训练步数）- 模型训练的总步数，建议从10000开始，根据验证结果调整
  • seed（随机种子）- 确保训练结果可重现性，建议使用1000、42等固定值
  • num_workers（数据加载器工作进程数）- 加速数据加载，建议设为CPU核心数的1/2到1倍
  • eval_freq（评估频率）- 每多少步进行一次模型评估，建议为总步数的10%
  • log_freq（日志频率）- 每多少步打印一次训练日志，建议10到100步
  • save_freq（保存频率）- 每多少步保存一次检查点，建议为总步数的30%
  • save_checkpoint（是否保存检查点）- 开启后保存模型检查点，便于恢复训练或部署

优化器参数：

  • optimizer_lr（学习率）- 控制参数更新幅度，建议范围1e-4到1e-5。过大导致训练不稳定，过小收敛慢
  • optimizer_weight_decay（权重衰减）- 防止过拟合的正则化参数，建议范围0.0到0.01
  • optimizer_grad_clip_norm（梯度裁剪阈值）- 防止梯度爆炸，建议设置为1.0
  • scheduler_warmup_steps（学习率预热步数）- 训练初期逐步增加学习率，建议为总步数的5-10%
  • scheduler_decay_steps（学习率衰减步数）- 在训练后期降低学习率，建议为总步数的80-90%

模型特定参数：

不同模型支持各自的特定参数：

  • ACT模型：

    • chunk_size（动作块大小）- 一次预测的动作序列长度，建议范围10-50
    • n_obs_steps（观测历史步数）- 使用的历史观测帧数，大部分情况使用1
    • n_action_steps（执行步数）- 实际执行的动作步数，通常等于chunk_size
    • vision_backbone（视觉 backbone）- 可选resnet18/34/50/101/152
    • dim_model（模型维度）- Transformer的主要隐藏维度，默认512
    • n_heads（注意力头数）- Multi-head attention的头数，默认8

  • Diffusion Policy模型：

    • horizon（预测时间跨度）- 扩散模型的动作预测长度，建议16
    • num_inference_steps（推理步数）- 采样步数，建议10

  • SmolVLA/OpenVLA模型：

    • max_input_seq_len（最大输入序列长度）- 限制输入token数量，建议256-512
    • max_decoding_steps（最大解码步数）- 生成动作序列的最大迭代次数，建议256
    • freeze_lm_head（冻结语言模型头部）- 微调时建议开启
    • freeze_vision_encoder（冻结视觉编码器）- 微调时建议开启

  • SAC等强化学习模型：

    • latent_dim（潜在空间维度）- 编码器输出维度，建议256
提示

参数设置建议：

  • 首次训练建议使用默认参数，确保训练正常进行
  • 根据GPU显存大小调整batch_size，避免显存溢出
  • 对于预训练模型微调，建议降低学习率（1e-5）并冻结部分层
  • 定期查看训练日志，根据损失曲线调整学习率

训练参数设置

训练启动后，平台提供完整的监控和管理功能：

3. 训练执行与监控​

训练启动后，平台提供完整的实时监控和管理功能：

实时监控​

训练指标可视化：

  • 损失函数曲线 - 实时显示训练损失和验证损失，便于判断模型收敛情况
  • 验证精度指标 - 显示模型在验证集上的性能表现
  • 学习率变化 - 可视化学习率调度策略的执行情况
  • 训练进度 - 显示已完成步数、总步数、预计剩余时间等信息

模型输出预览：

  • 训练过程中定期输出预测样例
  • 可视化模型在验证数据上的预测结果
  • 便于观察模型学习进展和发现潜在问题

系统日志：

  • 详细的训练日志记录，包括每个训练步骤的详细信息
  • 错误和警告信息实时显示，便于快速定位问题
  • 支持日志实时流式传输，可随时查看最新训练状态

资源监控：

  • GPU利用率、显存占用实时监控
  • CPU和内存使用情况跟踪
  • 网络IO和磁盘IO监控（如适用）

训练详情页面提供实时的训练监控和管理功能

训练管理​

进程控制：

  • 暂停训练 - 临时暂停训练任务，保留当前进度
  • 恢复训练 - 从暂停点恢复训练，无缝继续
  • 停止训练 - 安全停止训练任务，保存当前检查点
  • 重启训练 - 重新启动训练任务

检查点管理：

  • 自动保存 - 根据设置的保存频率自动保存模型检查点
  • 检查点列表 - 查看所有保存的检查点，包括训练步数、保存时间等信息
  • 检查点下载 - 支持下载检查点文件到本地
  • 断点续训 - 从任意检查点恢复训练，支持训练中断后的继续
  • 版本回滚 - 可选择历史检查点进行模型回滚

任务操作：

  • 参数调整 - 训练过程中可查看和调整部分训练参数（需谨慎使用）
  • 任务复制 - 基于成功的训练配置快速创建新任务，复用最佳配置
  • 任务删除 - 删除不需要的训练任务，释放存储空间
提示

训练建议：

  • 定期检查训练日志，及时发现问题
  • 根据损失曲线调整学习率或停止训练
  • 定期保存检查点，避免训练中断导致数据丢失
  • 使用任务复制功能快速尝试不同的参数组合

4. 模型评估与导出​

训练完成后，平台提供完整的模型评估、导出和部署功能：

模型评估​

性能指标：

  • 自动计算模型在验证集上的各项性能指标
  • 支持多种评估指标：准确率、成功率、动作误差等
  • 提供模型性能报告和对比分析

模型对比：

  • 对比不同训练任务的模型性能
  • 可视化多个模型指标的对比图表
  • 帮助选择最佳性能的模型版本

检查点管理​

训练过程中和训练完成后，所有保存的检查点都会在训练详情页面显示：

模型检查点列表

检查点信息：

  • 检查点名称 - 自动生成或自定义的检查点名称（如"step_1000"、"last"等）
  • 训练步数 - 该检查点对应的训练步数
  • 保存时间 - 检查点的保存时间戳
  • 文件大小 - 检查点文件的大小
  • 性能指标 - 该检查点在验证集上的性能表现

检查点操作：

  • 查看详情 - 查看检查点的详细信息和评估结果
  • 下载检查点 - 下载检查点文件到本地，用于离线部署或进一步分析
  • 标记为最佳 - 将性能最好的检查点标记为最佳模型
  • 部署推理 - 直接从检查点一键部署为推理服务（详见下一章节）
信息

检查点说明：

  • last - 最后一个保存的检查点，通常是最新的模型状态
  • best - 在验证集上表现最好的检查点，通常用于生产部署
  • step_xxx - 按训练步数保存的检查点，可用于分析训练过程

模型导出​

训练完成后，可以将模型导出用于：

  • 离线部署到机器人本地
  • 与其他系统集成
  • 模型版本管理和归档

至此，您可以利用艾欧数据平台方便快捷的训练出属于您的专属模型。训练完成的模型检查点可以直接在下一章节进行推理服务部署，实现从训练到应用的全流程闭环。