grab_orange / config.yaml
1g0rrr's picture
Upload folder using huggingface_hub
c15623e verified
resume: false
device: cuda
use_amp: false
seed: 1000
dataset_repo_id: 1g0rrr/grab_orange
video_backend: pyav
training:
offline_steps: 80000
num_workers: 4
batch_size: 8
eval_freq: -1
log_freq: 100
save_checkpoint: true
save_freq: 10000
online_steps: 0
online_rollout_n_episodes: 1
online_rollout_batch_size: 1
online_steps_between_rollouts: 1
online_sampling_ratio: 0.5
online_env_seed: null
online_buffer_capacity: null
online_buffer_seed_size: 0
do_online_rollout_async: false
image_transforms:
enable: false
max_num_transforms: 3
random_order: false
brightness:
weight: 1
min_max:
- 0.8
- 1.2
contrast:
weight: 1
min_max:
- 0.8
- 1.2
saturation:
weight: 1
min_max:
- 0.5
- 1.5
hue:
weight: 1
min_max:
- -0.05
- 0.05
sharpness:
weight: 1
min_max:
- 0.8
- 1.2
lr: 1.0e-05
lr_backbone: 1.0e-05
weight_decay: 0.0001
grad_clip_norm: 10
delta_timestamps:
action:
- 0.0
- 0.03333333333333333
- 0.06666666666666667
- 0.1
- 0.13333333333333333
- 0.16666666666666666
- 0.2
- 0.23333333333333334
- 0.26666666666666666
- 0.3
- 0.3333333333333333
- 0.36666666666666664
- 0.4
- 0.43333333333333335
- 0.4666666666666667
- 0.5
- 0.5333333333333333
- 0.5666666666666667
- 0.6
- 0.6333333333333333
- 0.6666666666666666
- 0.7
- 0.7333333333333333
- 0.7666666666666667
- 0.8
- 0.8333333333333334
- 0.8666666666666667
- 0.9
- 0.9333333333333333
- 0.9666666666666667
- 1.0
- 1.0333333333333334
- 1.0666666666666667
- 1.1
- 1.1333333333333333
- 1.1666666666666667
- 1.2
- 1.2333333333333334
- 1.2666666666666666
- 1.3
- 1.3333333333333333
- 1.3666666666666667
- 1.4
- 1.4333333333333333
- 1.4666666666666666
- 1.5
- 1.5333333333333334
- 1.5666666666666667
- 1.6
- 1.6333333333333333
- 1.6666666666666667
- 1.7
- 1.7333333333333334
- 1.7666666666666666
- 1.8
- 1.8333333333333333
- 1.8666666666666667
- 1.9
- 1.9333333333333333
- 1.9666666666666666
- 2.0
- 2.033333333333333
- 2.066666666666667
- 2.1
- 2.1333333333333333
- 2.1666666666666665
- 2.2
- 2.2333333333333334
- 2.2666666666666666
- 2.3
- 2.3333333333333335
- 2.3666666666666667
- 2.4
- 2.433333333333333
- 2.466666666666667
- 2.5
- 2.533333333333333
- 2.566666666666667
- 2.6
- 2.6333333333333333
- 2.6666666666666665
- 2.7
- 2.7333333333333334
- 2.7666666666666666
- 2.8
- 2.8333333333333335
- 2.8666666666666667
- 2.9
- 2.933333333333333
- 2.966666666666667
- 3.0
- 3.033333333333333
- 3.066666666666667
- 3.1
- 3.1333333333333333
- 3.1666666666666665
- 3.2
- 3.2333333333333334
- 3.2666666666666666
- 3.3
eval:
n_episodes: 50
batch_size: 50
use_async_envs: false
wandb:
enable: false
disable_artifact: false
project: lerobot
notes: ''
fps: 30
env:
name: real_world
task: null
state_dim: 6
action_dim: 6
fps: ${fps}
override_dataset_stats:
observation.images.laptop:
mean:
- - - 0.485
- - - 0.456
- - - 0.406
std:
- - - 0.229
- - - 0.224
- - - 0.225
observation.images.phone:
mean:
- - - 0.485
- - - 0.456
- - - 0.406
std:
- - - 0.229
- - - 0.224
- - - 0.225
policy:
name: act
n_obs_steps: 1
chunk_size: 100
n_action_steps: 100
input_shapes:
observation.images.laptop:
- 3
- 480
- 640
observation.images.phone:
- 3
- 480
- 640
observation.state:
- ${env.state_dim}
output_shapes:
action:
- ${env.action_dim}
input_normalization_modes:
observation.images.laptop: mean_std
observation.images.phone: mean_std
observation.state: mean_std
output_normalization_modes:
action: mean_std
vision_backbone: resnet18
pretrained_backbone_weights: ResNet18_Weights.IMAGENET1K_V1
replace_final_stride_with_dilation: false
pre_norm: false
dim_model: 512
n_heads: 8
dim_feedforward: 3200
feedforward_activation: relu
n_encoder_layers: 4
n_decoder_layers: 1
use_vae: true
latent_dim: 32
n_vae_encoder_layers: 4
temporal_ensemble_momentum: null
dropout: 0.1
kl_weight: 10.0