К содержимому
Другое

so101-fold-towel-pi05

чекпоинты pi0.5 для складывания полотенец роботом

2 мин чтенияобновлено

Набор дообученных политик управления роботом на базе VLA-модели (Vision-Language-Action — модель, связывающая зрение и команды с действиями моторов) lerobot/pi05_base для задачи складывания полотенца (so101-fold-towel). Модель получает картинку с боковой и наручной камер манипулятора SO-101 и предсказывает последовательность абсолютных углов суставов на 50 шагов вперёд. В отличие от стандартного варианта, автор сравнил несколько архитектур визуальных энкодеров (модулей обработки изображения): штатный SigLIP, DINOv2-base и VIRGIL, а также схемы с дополнительной боковой веткой признаков. Репозиторий пригодится исследователям робототехники и владельцам манипуляторов SO-101, работающим в фреймворке LeRobot.

Ключевые особенности

  • Несколько вариантов зрения: базовый замороженный SigLIP, полная замена на DINOv2-base или VIRGIL с новым проектором, а также основной метод option3_virgil_pred с дополнительной веткой признаков.
  • Чекпоинты сохранены каждые 5 000 шагов обучения в отдельных папках формата _k.
  • В репозитории лежат готовые скрипты в папке code/ (lerobot_rollout_pi05.py, encoder_swap.py, aux_inject.py) для подмены энкодеров и запуска инференса.
  • Управление настроено под две камеры (боковую SIDE и наручную wrist, фронтальная не используется) с выдачей чанков по 50 шагов и квантильной нормализацией.

Что можно сделать

  • Развернуть политику на физическом манипуляторе SO-101 через LeRobot для автономного складывания полотенец.
  • Сравнить в реальных прогонах точность и обобщающую способность разных визуальных энкодеров (SigLIP против DINOv2 и VIRGIL) при одинаковом рецепте обучения.
  • Использовать скрипты encoder_swap.py и aux_inject.py как шаблон для встраивания сторонних энкодеров в pi05_base под свои задачи манипуляции.

Пример

PI05_ENCODER=virgil_vit python code/lerobot_rollout_pi05.py  --policy.path=
ПодробнееБазовая модель: lerobot/pi05_base (Gemma + action expert обучались, визуальный энкодер заморожен)
Обучение: 30 000 шагов, batch size 64, lr с 2.5e-5 до 2.5e-6, warmup 1 000 шагов
Метрика основного энкодера option3_virgil_pred на бенчмарке LIBERO: 55.08
Зависимости: для вариантов с VIRGIL и DINOv2 требуется добавить репозиторий tmhoanggg/r3m в PYTHONPATH
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 10 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 5.1 GB6.1 GB
  • 4-bitвеса 2.9 GB3.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 5060 Ti 8GB · BF16 — от RTX 5070

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # tmhoanggg/so101-fold-towel-pi05
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download tmhoanggg/so101-fold-towel-pi05 --local-dir ~/models/so101-fold-towel-pi05
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к so101-fold-towel-pi05
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии so101-fold-towel-pi05 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

tmhoanggg/so101-fold-towel-pi05
Автор
tmhoanggg
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии