چگونه Pi0.5 را با داده‌های ربات خودتان آموزش دهیم

Pi0.5 مدلی است که وقتی یک سیاست باید در اتاقی کار کند که هرگز ندیده است، به سراغ آن می‌روید. همچنین ناخوشایندترین از پنج سیاست‌های قابل آموزش در اینجا برای تنظیم دقیق به صورت دستی است: مخزن بالادستی ابتدا JAX است، پورت LeRobot استقرار را در نسخه 0.6.0 از lerobot-record خارج کرد و نصب پایه را برای آموزش بسیار کوچک کرد، و یک تنظیم دقیق کامل روی 4090 جا نمی‌شود. در ادامه: آنچه تطبیق جریان در استنتاج هزینه دارد، دو مسیر دستور، و عدد 485 میلی‌ثانیه که تصمیم می‌گیرد آیا نتیجه قابل استفاده است یا خیر.

Pi0.5 واقعاً چیست

Physical Intelligence در اکتبر 2024 pi0 را منتشر کرد: یک مدل بینایی-زبان-عمل تطبیق جریان بر روی یک VLM از پیش آموزش‌دیده: PaliGemma با 3 میلیارد پارامتر به علاوه یک متخصص عمل 300M که از ابتدا مقداردهی اولیه شده است، در مجموع 3.3 میلیارد. این مقاله آموزش اولیه را بر روی بیش از 10,000 ساعت داده ربات در 7 پیکربندی ربات و 68 وظیفه گزارش می‌دهد. اطلاعات بیشتر در مقاله pi0.

Pi0.5 (arXiv 2504.16054, 22 آوریل 2025) آن ساختار را حفظ کرده و رژیم آموزشی را تغییر می‌دهد: داده‌های وب، تشخیص شیء، دستورالعمل‌های کلامی از انسان‌هایی که ربات را آموزش می‌دهند، برچسب‌های زیروظیفه، داده‌های بین‌جسمانی از ربات‌ها در خانه‌های متعدد. نتیجه یک ربات است که آشپزخانه‌ها را در خانه‌هایی تمیز می‌کند که در مجموعه آموزشی نبودند. فایل README openpi جزئیاتی را اضافه می‌کند که در عنوان نیست: Pi0.5 منتشر شده با عایق‌بندی دانش (arXiv 2505.23705) آموزش دیده است.

آنچه تطبیق جریان در مورد آموزش و استنتاج تغییر می‌دهد

یک سیاست که می‌توانید روی SO-100 آموزش دهید یا مستقیماً اقدامات را رگرس می‌کند (ACT) یا آن‌ها را توکن‌سازی کرده و به صورت خودرگرسیو رمزگشایی می‌کند (pi0-FAST). تطبیق جریان هیچ‌کدام از این‌ها را انجام نمی‌دهد: این روش یک میدان برداری را یاد می‌گیرد که نویز را به یک قطعه عمل تمیز منتقل می‌کند، سپس آن را انتگرال‌گیری می‌کند. مقاله pi0 از 10 گام انتگرال‌گیری با اندازه گام 0.1 استفاده می‌کند؛ پیکربندی pi05 LeRobot نیز همان num_inference_steps: int = 10 را دارد.

• آموزش: تابع زیان یک قطعه عمل نویزدار را رگرس می‌کند. نیازی به تنظیم توکن‌ساز یا گسسته‌سازی زوایای مفصل شما نیست.
• استنتاج: هر قطعه عمل، ده بار عبور رو به جلو از طریق متخصص عمل را هزینه دارد. این یک ویژگی ساختاری است، نه یک مشکل تنظیم.
• خروجی: اعمال پیوسته با ابعاد 32، که به صورت داخلی پدگذاری شده‌اند، و تابع زیان بر روی ابعادی که ربات شما دارد اعمال می‌شود. یک بازوی 6-درجه آزادی به همراه گریپر از 7 بعد استفاده می‌کند.

# openpi/src/openpi/models/pi0_config.py - the defaults every pi05 config inherits
@dataclasses.dataclass(frozen=True)
class Pi0Config(_model.BaseModelConfig):
    dtype: str = "bfloat16"
    paligemma_variant: _gemma.Variant = "gemma_2b"
    action_expert_variant: _gemma.Variant = "gemma_300m"

    action_dim: int = 32
    action_horizon: int = 50
    max_token_len: int = None      # 200 if pi05 else 48

    pi05: bool = False             # flips discrete_state_input to True

بک‌بون PaliGemma و گیت جلوی آن

PaliGemma (arXiv 2407.07726) یک رمزگذار بینایی SigLIP-So400m بر روی مدل زبان Gemma-2B با حدود 3 میلیارد پارامتر است. Pi0.5 توکن‌ساز خود را از آن به ارث می‌برد و این توکن‌ساز در یک مخزن دروازه‌دار قرار دارد. این رایج‌ترین راهی است که یک اجرای اولیه قبل از اولین گام آموزشی می‌میرد.

قبل از شروع: فرمت مجموعه داده، اپیزودها، سخت‌افزار

Pi0.5 در LeRobot یک مجموعه داده LeRobot را در طرح‌بندی v3.0 می‌خواند، که با lerobot 0.4.0 در اکتبر 2025 معرفی شد: اپیزودهای متعدد در هر فایل Parquet و MP4 به جای یک فایل برای هر اپیزود، با مرزهایی در meta/episodes/ به جای نام فایل‌ها. با استفاده از کلاینت دسکتاپ ضبط کنید یا اولین مجموعه داده خود را ضبط کنید را دنبال کنید تا آن را داشته باشید.

# v2.1 -> v3.0, run against a dataset already on the Hub
python -m lerobot.scripts.convert_dataset_v21_to_v30 --repo-id=<HF_USER/DATASET_ID>

# aggregates episode-0000.parquet, episode-0001.parquet, ... -> file-0000.parquet
# aggregates episode-0000.mp4, episode-0001.mp4, ...         -> file-0000.mp4
# rewrites meta/episodes/* with per-episode lengths, tasks and offsets

پلتفرم حداقل 50 اپیزود برای Pi0.5 می‌خواهد، همان حداقل برای GR00T و ACT. پیش‌آموزش کار اصلی را انجام می‌دهد، بنابراین 50 اپیزود تمیز بهتر از 200 اپیزود نامرتب است. تازه کار هستید؟ با راهنمای جمع‌آوری داده شروع کنید.

مسیر A: تنظیم دقیق با مخزن openpi

پیاده‌سازی مرجع: ابتدا JAX، فقط روی اوبونتو 22.04 آزمایش شده، با اشیاء پیکربندی به جای پرچم‌ها هدایت می‌شود. یک مسیر PyTorch در سپتامبر 2025 ارائه شد که روی LIBERO اعتبارسنجی شده است. سه مرحله: داده‌های خود را تبدیل کنید، یک پیکربندی تعریف کنید، آموزش دهید و سرویس‌دهی کنید.

1. 1
   کلون و نصب کنید

   openpi از uv استفاده می‌کند. GIT_LFS_SKIP_SMUDGE چیزی است که به LeRobot اجازه می‌دهد بدون LFS blobs به عنوان یک وابستگی وارد شود.

   bash

   git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git
   cd openpi
   
   GIT_LFS_SKIP_SMUDGE=1 uv sync
   GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .

2. 2
   داده‌های خود را به یک مجموعه داده LeRobot تبدیل کنید

   بالادست مبدل‌هایی برای LIBERO و DROID ارائه می‌دهد و انتظار دارد شما یکی را تطبیق دهید. کار اصلی نگاشت کلید است.

   bash

   uv run examples/libero/convert_libero_data_to_lerobot.py --data_dir /path/to/your/data

3. 3
   یک پیکربندی آموزشی اضافه کنید

   پیکربندی‌ها ورودی‌های TrainConfig در src/openpi/training/config.py هستند. این یکی pi05_droid_finetune را با لودر وزن که به pi05_base اشاره می‌کند، تطبیق می‌دهد.

   python

   TrainConfig(
       name="pi05_so100",
       model=pi0_config.Pi0Config(
           pi05=True,
           action_dim=32,        # pi05 is trained with 32-dim actions
           action_horizon=16,
       ),
       # Copy LeRobotLiberoDataConfig in the same file and rewrite the key
       # mapping for your camera names, then reference your copy here.
       data=LeRobotLiberoDataConfig(
           repo_id="your_hf_username/my_so100_dataset",
           base_config=DataConfig(prompt_from_task=True),
       ),
       weight_loader=weight_loaders.CheckpointWeightLoader(
           "gs://openpi-assets/checkpoints/pi05_base/params"
       ),
       batch_size=32,
       num_train_steps=20_000,
   )

4. 4
   محاسبه آمارهای نرمال

   بر اساس نام پیکربندی اجرا می‌شود، نه مجموعه داده. نادیده گرفتن آن اولین خطای رایج در اینجا است.

   bash

   uv run scripts/compute_norm_stats.py --config-name pi05_so100

5. 5
   آموزش دهید

   این متغیر به JAX اجازه می‌دهد تا ۹۰ درصد از حافظه GPU را به جای ۷۵ درصد پیش‌فرض استفاده کند. در یک کارت ۸۰ گیگابایتی، این موضوع تعیین می‌کند که آیا اجرا موفقیت‌آمیز خواهد بود یا خیر.

   bash

   XLA_PYTHON_CLIENT_MEM_FRACTION=0.9 uv run scripts/train.py pi05_so100 \
       --exp-name=my_experiment \
       --overwrite

6. 6
   سرویس‌دهی کنید

   سرور روی پورت ۸۰۰۰ گوش می‌دهد و به درخواست‌های مشاهده پاسخ می‌دهد؛ زمان اجرای ربات شما کلاینت است.

   bash

   uv run scripts/serve_policy.py policy:checkpoint \
       --policy.config=pi05_so100 \
       --policy.dir=checkpoints/pi05_so100/my_experiment/20000

مسیر B: تنظیم دقیق با lerobot pi05

پورت LeRobot همان وزن‌ها را در CLI که قبلاً برای ACT و SmolVLA استفاده می‌کنید، بسته‌بندی می‌کند. تمام موارد زیر در برابر lerobot 0.6.1، نسخه‌ای که از ۳ اوت ۲۰۲۶ منتشر شده است، و مستندات pi05 در ۲۳ اوت ۲۰۲۶ بررسی شده است. نسخه‌ها در اینجا اهمیت دارند: مجموعه داده‌های v3.0 با نسخه 0.4.0 در اکتبر ۲۰۲۵ عرضه شدند، وبلاگ 0.5.0 در ۹ مارس ۲۰۲۶، pi0-FAST و Real-Time Chunking را معرفی می‌کند، و 0.6.0 در ۶ ژوئیه ۲۰۲۶، بسته پایه را سبک کرد و استقرار را به lerobot-rollout منتقل کرد.

یک چیز تغییر نکرد: lerobot-train و lerobot-record از قبل در نسخه 0.3.2، اوت ۲۰۲۵، نقاط ورودی بودند. یک آموزش که هنوز python -m lerobot.scripts.train را فراخوانی می‌کند، یک سال از تغییرات را پشت سر گذاشته است و در مورد بقیه نیز قابل اعتماد نیست.

1. 1
   نصب با افزونه‌های صحیح

   از نسخه 0.6.0، نصب پایه فقط وابستگی‌های اصلی یادگیری ماشین را شامل می‌شود و افزونه pi هیچ کد مجموعه داده یا آموزشی اضافه نمی‌کند، بنابراین برای تنظیم دقیق به افزونه training نیز نیاز است. دستورات تک‌خطی قدیمی‌تر در زمان import با خطا مواجه می‌شوند.

   bash

   # policy dependencies plus the training stack
   pip install 'lerobot[pi,training]'
   
   # from a source checkout
   pip install -e ".[pi,training]"
   
   # driving an SO-100 afterwards needs the robot extras too
   pip install 'lerobot[core_scripts,feetech]'

2. 2
   احراز هویت

   مجوز paligemma-3b-pt-224 را در یک مرورگر بپذیرید، سپس در دستگاهی که آموزش می‌دهد وارد شوید.

   bash

   hf auth login

3. 3
   افزودن آمار کوانتیل

   Pi0.5 مقادیر STATE و ACTION را با استفاده از کوانتیل‌ها نرمال‌سازی می‌کند، بنابراین meta/stats.json به q01 و q99 نیاز دارد. مجموعه‌داده‌های قدیمی‌تر فقط min، max، mean و std را شامل می‌شوند.

   bash

   lerobot-edit-dataset \
       --repo_id your_dataset \
       --new_repo_id your_dataset \
       --operation.type recompute_stats \
       --operation.overwrite true

4. 4
   تنظیم دقیق از lerobot/pi05_base

   اندازه بچ را به مقداری تنظیم کنید که کارت گرافیک شما تحمل می‌کند؛ مستندات از 64 در LIBERO با 80 گیگابایت استفاده می‌کنند. bfloat16 را به صراحت ارسال کنید، پیش‌فرض پیکربندی float32 است.

   bash

   lerobot-train \
       --dataset.repo_id=${HF_USER}/my_so100_dataset \
       --policy.type=pi05 \
       --policy.pretrained_path=lerobot/pi05_base \
       --policy.gradient_checkpointing=true \
       --policy.dtype=bfloat16 \
       --policy.device=cuda \
       --policy.push_to_hub=false \
       --output_dir=./outputs/pi05_so100 \
       --job_name=pi05_so100 \
       --batch_size=4 \
       --num_workers=8 \
       --steps=30000 \
       --save_freq=5000 \
       --seed=1000

5. 5
   اجرای آن روی بازو

   در نسخه 0.6.x این دستور lerobot-rollout است: lerobot-record یک policy را رد می‌کند و نام‌های مجموعه داده eval_ را نمی‌پذیرد. Base بازو را هدایت می‌کند، sentry رول‌اوت را ضبط می‌کند.

   bash

   lerobot-rollout \
       --strategy.type=base \
       --policy.path=${HF_USER}/my_policy \
       --robot.type=so100_follower \
       --robot.port=/dev/ttyACM1 \
       --robot.cameras="{ up: {type: opencv, index_or_path: /dev/video10, width: 640, height: 480, fps: 30}}" \
       --task="Put lego brick into the transparent box" \
       --duration=60
   
   # same run, recorded into an eval_ dataset
   lerobot-rollout \
       --strategy.type=sentry \
       --policy.path=${HF_USER}/my_policy \
       --robot.type=so100_follower \
       --robot.port=/dev/ttyACM1 \
       --dataset.repo_id=${HF_USER}/eval_so100 \
       --dataset.single_task="Put lego brick into the transparent box" \
       --duration=600

سه مجموعه از پیش‌فرض‌ها، و کدام یک به trainer می‌رسند

TrainConfig از openpi مرجع است، PI05Config از LeRobot چیزی است که lerobot-train وقتی شما چیزی نمی‌گویید استفاده می‌کند، و فرم اینجا مجموعه سومی را ارسال می‌کند. نکته غافلگیرکننده نرخ یادگیری است: هر دو پیش‌فرض بالادستی در 2.5e-5 به اوج می‌رسند، در حالی که پیکربندی pi05_libero خود openpi و این پلتفرم آن را به 5e-5 افزایش می‌دهند.

آیا پورت قابل اعتماد است؟ تیم LeRobot مدل پایه LIBERO را برای 6 هزار گام دیگر تنظیم دقیق کرد و با اعداد مرجع openpi در چهار مجموعه مقایسه کرد: میانگین 97.5 درصد در مقابل 96.85، جلوتر در Libero 10، عقب‌تر در Spatial. این مسیر یک انتخاب ابزاری است، نه کیفیتی.

واقعیت 485 میلی‌ثانیه، و جایی که دیگر قابل استفاده نیست

این پروژه شما را تعیین می‌کند، بنابراین قبل از جدول هزینه می‌آید. به ازای هر گام عملیاتی که در اینجا برای Pi0.5 اندازه‌گیری شده، 485 میلی‌ثانیه است. در مقایسه با چهار مورد دیگر:

بالادست (Upstream) پاسخی دارد، و نیمی از آن در نسخه‌ای که می‌توانید نصب کنید، موجود است. تکه‌بندی بلادرنگ (Real-Time Chunking) تکه بعدی را در حالی که بازو هنوز در حال اجرای تکه فعلی است، تولید می‌کند، سپس گام‌های همپوشان تکه جدید را هدایت می‌کند تا نزدیک به بخش از قبل اجرا شده باقی بماند، به طوری که بازو در محل اتصال متوقف یا دچار لرزش نشود. فرم زمان استنتاج در تغییرات نسخه 0.4.2 برای Pi0، Pi0.5 و SmolVLA ارائه شده و یک پرچم rollout است، نه نیاز به بازآموزی:

lerobot-rollout \
    --strategy.type=base \
    --policy.path=${HF_USER}/my_policy \
    --inference.type=rtc \
    --inference.rtc.execution_horizon=10 \
    --inference.rtc.max_guidance_weight=10.0 \
    --robot.type=so100_follower \
    --robot.port=/dev/ttyACM1 \
    --robot.cameras="{ up: {type: opencv, index_or_path: /dev/video10, width: 640, height: 480, fps: 30}}" \
    --task="Put lego brick into the transparent box" \
    --duration=60

این کار مدل را سریع‌تر نمی‌کند. بلکه شکاف را پنهان می‌کند: ۴۸۵ میلی‌ثانیه همچنان صرف می‌شود، اما خارج از مسیر بحرانی، بنابراین صف بین تکه‌ها خالی نمی‌ماند. نوع زمان آموزش از arXiv 2512.05964 فراتر می‌رود: مدل یاد می‌گیرد که بر اساس یک پیشوند عملیاتی تمیز شرطی شود، بنابراین در زمان استنتاج، همپوشانی با گام‌های زمانی جریان (flow timesteps) برای هر عمل به جای هدایت شدن، به سختی نقاشی می‌شود (hard-inpainted)، و گذر برگشتی هدایت ناپدید می‌شود. در طول آموزش، طول پیشوند را برای هر مثال نمونه‌برداری می‌کند و افت جریان را روی پسوند باقی‌مانده اعمال می‌کند. این پرچم فقط در main وجود دارد، نه در 0.6.1، و تأخیری که برای آن آموزش می‌دهید باید کمتر از chunk_size باشد.

دو راه برای دریافت یک چک‌پوینت Pi0.5

lerobot-train \
    --dataset.repo_id=${HF_USER}/my_so100_dataset \
    --policy.type=pi05 \
    --policy.pretrained_path=lerobot/pi05_base \
    --policy.rtc_training_max_delay=10 \
    --policy.gradient_checkpointing=true \
    --policy.dtype=bfloat16 \
    --batch_size=4 --steps=30000 --seed=1000

زمانی که کار نمی‌کند

• مجموعه داده رد شد: نسخه ۳ مورد نیاز است
• کمبود حافظه در حین آموزش
• کاهش ضرر اما سیاست هیچ کاری نمی‌کند
• سیاست در میانه حرکت متوقف می‌شود
• سیاست فقط در یک تنظیمات کار می‌کند
• کار آموزشی در صف گیر کرده است

هزینه یک اجرا چقدر است

Pi0.5 در رده گران‌قیمت قرار می‌گیرد زیرا به یک کارت 80 GB نیاز دارد و قیمت‌های لحظه‌ای متغیر هستند، بنابراین این رقم یک محدوده است نه یک قیمت. برای بسیاری از وظایف SO-100، ابتدا SmolVLA یا ACT را روی رده 24 GB آموزش دهید، ابتدا تأیید کنید که آیا وظیفه اصلاً قابل یادگیری است، سپس ساعت‌های A100 را روی آن صرف کنید. اولین سیاست خود را آموزش دهید آن حلقه ارزان‌تر را طی می‌کند، و قیمت‌گذاری رده‌های فعلی را نشان می‌دهد.

قبل از اختصاص یک شب: و همان اعداد را رو در رو مقایسه می‌کنند. شامل ۸۵ مدل VLA با ۳۳۲ نتیجه بنچمارک است که هر کدام به منبع خود لینک شده‌اند، و اطلاعات پس‌زمینه در مورد این خانواده در .