复现训练全流程如何使用 lerobot-train 从零训练 gr00t17-lerobot-libero_object-6402万步/全局batch 640【免费下载链接】gr00t17-lerobot-libero_object-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640想亲手复现一个 NVIDIA GR00T 机器人操作策略本文手把手教你用lerobot-train 从零训练 gr00t17-lerobot-libero_object-640完整拆解 2 万步训练、全局 batch 640双卡各 320的配置逻辑新手也能一次跑通。gr00t17-lerobot-libero_object-640 是 NVIDIA 开源跨具身基础模型 GR00T N1.7 在 LIBERO 物体操作任务上的微调策略使用 HuggingFace LeRobot0.6.1框架完成训练。模型输入双路 256×256 相机图像与 8 维机器人状态输出 7 维动作指令是入门视觉语言动作模型VLA复现的绝佳案例。gr00t17-lerobot-libero_object-640 是什么为什么值得复现简单说这个项目 NVIDIA GR00T N1.7 基础模型 LIBERO 物体操作数据集 LeRobot 训练管线。它要解决的任务很直观机器人根据自然语言指令如拿起红色方块结合两个摄像头看到的画面输出机械臂的连续动作。模型本身的推理能力来自 Cosmos-Reason2 / Qwen3-VL 视觉语言主干动作生成则交给 flow-matching 动作 Transformer两者协同预测下一步动作。项目要素具体内容基础模型nvidia/GR00T-N1.7-3B训练框架LeRobot 0.6.1训练数据集IPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobot训练步数20000 步全局 batch size6402 卡 × 320优化器 / 学习率AdamW / 0.0001随机种子42复现它的价值在于既能熟悉 LeRobot 的标准训练流程又能理解 GR00T 这类大模型部分冻结、部分微调的典型策略为后续迁移到自己的机器人任务打基础。复现训练前先准备好环境与硬件 ⚙️硬件为什么是全局 batch 640train_config.json中batch_size: 320指的是单卡批次而wandb.notes里记录了layout2x320说明官方使用2 张 GPU 各跑 320合并后得到全局 batch 640。如果你想 1:1 复现建议准备硬件项建议GPU2 张 NVIDIA 显卡显存越大越稳建议 24GB 及以上显存开启 bf16 混合精度use_bf16: true可显著降低占用存储数据集 基础模型 检查点预留 100GB 以上如果只有单卡也别灰心把每张卡的 batch 下调并适当增加训练步数仍可复现出可用的策略后文调优建议会讲。软件安装 LeRobot本项目的训练配方基于LeRobot 0.6.1安装即可使用lerobot-train命令行工具pip install lerobot[gpu]0.6.1安装完成后可用lerobot-train --help验证环境是否就绪。数据与模型提前下载两个大件训练需要两个关键资源建议提前缓存到本地避免训练中途卡在下载环节数据集IPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobotLIBERO object 任务的 LeRobot 格式数据基础模型nvidia/GR00T-N1.7-3Bconfig.json中的base_model_path指向的就是它一步步使用 lerobot-train 开始训练 ✅第一步获取本项目文件可选若想直接对照官方配置可克隆本项目仓库git clone https://gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640仓库内的train_config.json就是官方训练配方config.json是策略结构定义建议先通读一遍。第二步运行训练命令参照仓库 README 中的训练模板核心命令如下lerobot-train \ --dataset.repo_idIPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobot \ --policy.typegroot \ --output_diroutputs/train/gr00t17-lerobot-libero_object-640 \ --job_namelerobot_training \ --policy.devicecuda \ --wandb.enabletrue第三步关键参数速查表参数作用本项目的取值--dataset.repo_id指定训练数据集libero_object_no_noops 数据集--policy.type策略类型groot--policy.device计算设备cuda--output_dir检查点输出目录outputs/train/policy_repo_id--wandb.enable是否启用 wandb 日志true命令中的可选参数如batch_size、steps未指定时会读取默认值要严格复现 2 万步 / 全局 batch 640请直接使用仓库里的train_config.json作为基准配置。拆解 train_config.json2 万步与全局 batch 640 的配置逻辑 train_config.json是整个训练配方的说明书几个最值得关注的配置训练规模三件套steps: 20000, batch_size: 320, save_freq: 1000steps: 20000—— 总训练步数训练 2 万步后停止batch_size: 320—— 单卡批次双卡并行时全局 batch 640save_freq: 1000—— 每 1000 步保存一次检查点共约 20 个学习率调度warmup cosinescheduler: { type: diffuser, num_warmup_steps: 1000, name: cosine }前 1000 步学习率从 0 线性上升到 0.0001之后按余弦曲线衰减到训练结束。这种先热身、再衰减的策略是扩散类模型训练的标配。冻结与微调大模型的精打细算GR00T N1.7 有 3B 参数全量微调成本极高。官方采用局部微调模块是否训练说明LLM语言主干❌ 冻结tune_llm: false视觉编码器❌ 冻结tune_visual: false投影器✅ 微调tune_projector: true扩散动作模型✅ 微调tune_diffusion_model: trueVLM 语言分支✅ 微调tune_vlln: true这种策略大幅降低显存与算力需求是用消费级 GPU 复现大模型的关键思路。输入输出特征输入observation.images.image主相机、observation.images.wrist_image腕部相机均为 256×256×3observation.state为 8 维状态向量输出action7 维动作对应 LIBERO 机械臂的 7 个自由度动作采用 chunk 预测模式chunk_size: 16、n_action_steps: 16即一次推理输出未来 16 步动作再滚动执行这是当前机器人策略的通用做法。训练产出、检查点保存与断点续训 检查点在哪里默认写入outputs/train/policy_repo_id/checkpoints/每 1000 步生成一个 checkpoint。训练结束后最终的model.safetensors策略权重会与配套文件一起导出config.json—— 策略结构与超参数policy_preprocessor.json—— 推理前的输入预处理管线图像增强、状态打包等policy_postprocessor.json—— 推理后的动作解包与反归一化断点续训训练中断不用从头再来在train_config.json中设置resume: trueLeRobot 会自动从checkpoints目录中最近的检查点继续训练进度、优化器状态都会恢复。训练完如何验证用 README 中的lerobot-rollout命令把策略部署到机器人环境上输入任务描述与摄像头画面即可观察策略执行效果——这也是检验 2 万步训练成果最直观的方式。常见问题与调优建议 Q1显存不够跑不动 batch 320 怎么办把batch_size调小如 64 或 128同时保持总样本量适当增加steps或使用梯度累积。代价是训练时间变长但策略质量通常仍在可接受范围。Q2只有一张卡还能复现吗可以。单卡把 batch 设为 320 会爆显存建议调低 batch 并把steps从 20000 适当上调弥补单步样本量减少的影响。Q3数据增强会影响复现效果吗train_config.json中开启了 color jitter 数据增强亮度、对比度、饱和度、色相随机扰动这是提升泛化能力的官方配置建议保留。Q4训练 loss 不下降怎么办先检查学习率与 warmup 设置是否与官方一致确认数据集路径正确、use_bf16已开启必要时用 wandb 观察梯度范数是否异常。总结从零复现 GR00T 策略其实没那么难 通过本教程你已经掌握了lerobot-train 从零训练 gr00t17-lerobot-libero_object-640的完整路径准备双卡环境与 LIBERO 数据集 → 使用lerobot-train启动训练 → 借助train_config.json理解 2 万步 / 全局 batch 640 的配置原理 → 利用检查点断点续训 → 最后用 rollout 验证效果。对新手来说本项目最大的价值在于它是一份可照抄的官方训练配方所有关键配置都沉淀在train_config.json与config.json中。照着做一遍你不仅复现了一个真实可用的机器人操作策略也把 LeRobot 训练管线、GR00T 冻结微调策略这些核心概念真正跑进了脑子里。现在打开终端开始你的第一次 GR00T 训练吧【免费下载链接】gr00t17-lerobot-libero_object-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
复现训练全流程：如何使用 lerobot-train 从零训练 gr00t17-lerobot-libero_object-640（2万步/全局batch 640）
复现训练全流程如何使用 lerobot-train 从零训练 gr00t17-lerobot-libero_object-6402万步/全局batch 640【免费下载链接】gr00t17-lerobot-libero_object-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640想亲手复现一个 NVIDIA GR00T 机器人操作策略本文手把手教你用lerobot-train 从零训练 gr00t17-lerobot-libero_object-640完整拆解 2 万步训练、全局 batch 640双卡各 320的配置逻辑新手也能一次跑通。gr00t17-lerobot-libero_object-640 是 NVIDIA 开源跨具身基础模型 GR00T N1.7 在 LIBERO 物体操作任务上的微调策略使用 HuggingFace LeRobot0.6.1框架完成训练。模型输入双路 256×256 相机图像与 8 维机器人状态输出 7 维动作指令是入门视觉语言动作模型VLA复现的绝佳案例。gr00t17-lerobot-libero_object-640 是什么为什么值得复现简单说这个项目 NVIDIA GR00T N1.7 基础模型 LIBERO 物体操作数据集 LeRobot 训练管线。它要解决的任务很直观机器人根据自然语言指令如拿起红色方块结合两个摄像头看到的画面输出机械臂的连续动作。模型本身的推理能力来自 Cosmos-Reason2 / Qwen3-VL 视觉语言主干动作生成则交给 flow-matching 动作 Transformer两者协同预测下一步动作。项目要素具体内容基础模型nvidia/GR00T-N1.7-3B训练框架LeRobot 0.6.1训练数据集IPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobot训练步数20000 步全局 batch size6402 卡 × 320优化器 / 学习率AdamW / 0.0001随机种子42复现它的价值在于既能熟悉 LeRobot 的标准训练流程又能理解 GR00T 这类大模型部分冻结、部分微调的典型策略为后续迁移到自己的机器人任务打基础。复现训练前先准备好环境与硬件 ⚙️硬件为什么是全局 batch 640train_config.json中batch_size: 320指的是单卡批次而wandb.notes里记录了layout2x320说明官方使用2 张 GPU 各跑 320合并后得到全局 batch 640。如果你想 1:1 复现建议准备硬件项建议GPU2 张 NVIDIA 显卡显存越大越稳建议 24GB 及以上显存开启 bf16 混合精度use_bf16: true可显著降低占用存储数据集 基础模型 检查点预留 100GB 以上如果只有单卡也别灰心把每张卡的 batch 下调并适当增加训练步数仍可复现出可用的策略后文调优建议会讲。软件安装 LeRobot本项目的训练配方基于LeRobot 0.6.1安装即可使用lerobot-train命令行工具pip install lerobot[gpu]0.6.1安装完成后可用lerobot-train --help验证环境是否就绪。数据与模型提前下载两个大件训练需要两个关键资源建议提前缓存到本地避免训练中途卡在下载环节数据集IPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobotLIBERO object 任务的 LeRobot 格式数据基础模型nvidia/GR00T-N1.7-3Bconfig.json中的base_model_path指向的就是它一步步使用 lerobot-train 开始训练 ✅第一步获取本项目文件可选若想直接对照官方配置可克隆本项目仓库git clone https://gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640仓库内的train_config.json就是官方训练配方config.json是策略结构定义建议先通读一遍。第二步运行训练命令参照仓库 README 中的训练模板核心命令如下lerobot-train \ --dataset.repo_idIPEC-COMMUNITY/libero_object_no_noops_1.0.0_lerobot \ --policy.typegroot \ --output_diroutputs/train/gr00t17-lerobot-libero_object-640 \ --job_namelerobot_training \ --policy.devicecuda \ --wandb.enabletrue第三步关键参数速查表参数作用本项目的取值--dataset.repo_id指定训练数据集libero_object_no_noops 数据集--policy.type策略类型groot--policy.device计算设备cuda--output_dir检查点输出目录outputs/train/policy_repo_id--wandb.enable是否启用 wandb 日志true命令中的可选参数如batch_size、steps未指定时会读取默认值要严格复现 2 万步 / 全局 batch 640请直接使用仓库里的train_config.json作为基准配置。拆解 train_config.json2 万步与全局 batch 640 的配置逻辑 train_config.json是整个训练配方的说明书几个最值得关注的配置训练规模三件套steps: 20000, batch_size: 320, save_freq: 1000steps: 20000—— 总训练步数训练 2 万步后停止batch_size: 320—— 单卡批次双卡并行时全局 batch 640save_freq: 1000—— 每 1000 步保存一次检查点共约 20 个学习率调度warmup cosinescheduler: { type: diffuser, num_warmup_steps: 1000, name: cosine }前 1000 步学习率从 0 线性上升到 0.0001之后按余弦曲线衰减到训练结束。这种先热身、再衰减的策略是扩散类模型训练的标配。冻结与微调大模型的精打细算GR00T N1.7 有 3B 参数全量微调成本极高。官方采用局部微调模块是否训练说明LLM语言主干❌ 冻结tune_llm: false视觉编码器❌ 冻结tune_visual: false投影器✅ 微调tune_projector: true扩散动作模型✅ 微调tune_diffusion_model: trueVLM 语言分支✅ 微调tune_vlln: true这种策略大幅降低显存与算力需求是用消费级 GPU 复现大模型的关键思路。输入输出特征输入observation.images.image主相机、observation.images.wrist_image腕部相机均为 256×256×3observation.state为 8 维状态向量输出action7 维动作对应 LIBERO 机械臂的 7 个自由度动作采用 chunk 预测模式chunk_size: 16、n_action_steps: 16即一次推理输出未来 16 步动作再滚动执行这是当前机器人策略的通用做法。训练产出、检查点保存与断点续训 检查点在哪里默认写入outputs/train/policy_repo_id/checkpoints/每 1000 步生成一个 checkpoint。训练结束后最终的model.safetensors策略权重会与配套文件一起导出config.json—— 策略结构与超参数policy_preprocessor.json—— 推理前的输入预处理管线图像增强、状态打包等policy_postprocessor.json—— 推理后的动作解包与反归一化断点续训训练中断不用从头再来在train_config.json中设置resume: trueLeRobot 会自动从checkpoints目录中最近的检查点继续训练进度、优化器状态都会恢复。训练完如何验证用 README 中的lerobot-rollout命令把策略部署到机器人环境上输入任务描述与摄像头画面即可观察策略执行效果——这也是检验 2 万步训练成果最直观的方式。常见问题与调优建议 Q1显存不够跑不动 batch 320 怎么办把batch_size调小如 64 或 128同时保持总样本量适当增加steps或使用梯度累积。代价是训练时间变长但策略质量通常仍在可接受范围。Q2只有一张卡还能复现吗可以。单卡把 batch 设为 320 会爆显存建议调低 batch 并把steps从 20000 适当上调弥补单步样本量减少的影响。Q3数据增强会影响复现效果吗train_config.json中开启了 color jitter 数据增强亮度、对比度、饱和度、色相随机扰动这是提升泛化能力的官方配置建议保留。Q4训练 loss 不下降怎么办先检查学习率与 warmup 设置是否与官方一致确认数据集路径正确、use_bf16已开启必要时用 wandb 观察梯度范数是否异常。总结从零复现 GR00T 策略其实没那么难 通过本教程你已经掌握了lerobot-train 从零训练 gr00t17-lerobot-libero_object-640的完整路径准备双卡环境与 LIBERO 数据集 → 使用lerobot-train启动训练 → 借助train_config.json理解 2 万步 / 全局 batch 640 的配置原理 → 利用检查点断点续训 → 最后用 rollout 验证效果。对新手来说本项目最大的价值在于它是一份可照抄的官方训练配方所有关键配置都沉淀在train_config.json与config.json中。照着做一遍你不仅复现了一个真实可用的机器人操作策略也把 LeRobot 训练管线、GR00T 冻结微调策略这些核心概念真正跑进了脑子里。现在打开终端开始你的第一次 GR00T 训练吧【免费下载链接】gr00t17-lerobot-libero_object-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_object-640创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考