# LeRobot Eğitim İçin Hesaplama Donanımı Kılavuzu LeRobot politikası eğitmek için yaklaşık boyutlandırma: Her politikanın ne kadar VRAM'e ihtiyaç duyduğu, eğitim süresinin nasıl göründüğü ve yerel donanım yeterli olmadığında nerede çalıştırılacağı. Aşağıdaki sayılar **gösterge niteliğindedir** — donanım seçimi için büyüklük mertebesi değerleridir, kesin tahminler değildir. Verimlilik, veri seti girdi/çıkışı, görüntü çözünürlüğü, parti boyutu ve GPU sayısına büyük ölçüde bağlıdır. ## Politika grubuna göre bellek Policies, omurga boyutuna göre kümelenir; aşağıdaki gruplamalar, her politika için sayıları tekrarlamak yerine grup başına tek bir VRAM sınırı verir. Bellek, batch boyutuyla yaklaşık doğrusal olarak ölçeklenir; AdamW (LeRobot varsayılanı), yalnızca ileri+geri geçişe kıyasla ~%30–100 ekleyen optimizör durumu taşır. | Grup | Politikalar | Zirve VRAM (BS 8, AdamW) | Uygun başlangıç GPU'ları | | ---------- | ------------------------------------------- | ----------------------: | --------------------------------- | | Light BC | `act`, `vqbet`, `tdmpc` | ~2–6GB | Laptop GPU (RTX 3060), L4, A10G | | Diffusion | `diffusion`, `multi_task_dit` | ~8–14GB | RTX 4070+ / L4 / A10G | | Küçük VLA | `smolvla` | ~10–16GB | RTX 4080+ / L4 / A10G | | Büyük VLA | `pi0`, `pi0_fast`, `pi05`, `xvla`, `wall_x` | ~24–40GB | A100 40 GB+ (BS 1'de 24 GB dar) | | Çok Modallı | `groot`, `eo1` | ~24–40GB | A100 40 GB+ | | RL | `sac` | config-dep. | [HIL-SERL kılavuzu](./hilserl) | Bellek kısıtlı mı? Batch boyutunu düşürün (~doğrusal), etkin batch boyutunu geri kazanmak için gradyan biriktirme kullanın veya SmolVLA için `freeze_vision_encoder=True` bırakın. ## Eğitim süresi Robotik imitasyon öğrenmesi genellikle ham adım sayıları yerine veri seti üzerinde **5–10 epoch** içinde yakınsar. Epoch sayısını bildiğinizde, duvar saati süresi temelde şudur: ```text total_frames = sum of frames over all episodes # 50 ep × 30 fps × 30 s ≈ 45,000 steps_per_epoch = ceil(total_frames / (num_gpus × batch_size)) total_steps = epochs × steps_per_epoch wall_clock ≈ total_steps × per_step_time ``` Adım başına süre, politika ve GPU'ya bağlıdır. Aşağıdaki tablodaki sayılar referans noktalarıdır — kendi kurulumunuza en yakın satırı seçin ve daha uzun veya daha kısa süre eğitim yapıyorsanız `total_steps` ile lineer olarak ölçekleyin. ### Yaygın senaryolar **~50 epizodluk bir veri setinde (~45k kare, 30 fps × 30 sn) 5 epoch** için gösterge niteliğinde duvar saati süresi, varsayılan optimizör (AdamW), 640×480 görüntüler: | Kurulum | Politika | Toplu | Gerçek zaman | | ------------------------------------ | -------------- | ----- | ---------: | | Tek RTX 4090 / RTX 3090 (24 GB) | `act` | 8 | ~30–60dk | | Tek RTX 4090 / RTX 3090 (24 GB) | `diffusion` | 8 | ~2–4h | | Tek L4 / A10G (24 GB) | `act` | 8 | ~1–2h | | Tek L4 / A10G (24 GB) | `smolvla` | 4 | ~3–6h | | Tek A100 40 GB | `smolvla` | 16 | ~1–2h | | Tek A100 40 GB | `pi0` / `pi05` | 4 | ~4–8h | | 4× H100 80 GB kümesi (`accelerate`) | `diffusion` | 32 | ~30–60dk | | 4× H100 80 GB kümesi (`accelerate`) | `smolvla` | 32 | ~1–2h | | Apple Silicon M1/M2/M3 Max (MPS) | `act` | 4 | ~6–14h | Bunlar büyüklük sırası (order-of-magnitude) değerleridir. Gerçek çalıştırmalar, görüntü çözünürlüğü, veri seti girdi/çıkışı, dataloader iş parçacıkları (threading) ve tam GPU SKU'suna bağlı olarak ±%50 sapma gösterebilir. Bunlar, "bu çalıştırma bir saat mi yoksa bir gün mü sürecek?" sezgisi için faydalıdır; SLA'lar olarak kullanılmamalıdır. ### Çoklu GPU çok önemlidir `accelerate launch --num_processes=N`, eğitim süresini kısaltmanın en kolay yoludur. Her optimizasyon adımı, tek GPU'lu bir adımla yaklaşık aynı duvar saati süresinde `N × batch_size` örnek işler; bu nedenle hesaplama kısıtlı çalışmalarda 4 GPU ≈ 4× hızlanma sağlar. Tam kurulum için [Multi GPU training](./multi_gpu_training) kılavuzuna bakın. 4×H100 80 GB kümesindeki referans veri noktaları (`accelerate launch --num_processes=4`), 5000 adım, batch 32, AdamW, veri seti [`imstevenpmwork/super_poulain_draft`](https://huggingface.co/datasets/imstevenpmwork/super_poulain_draft) (~50 bölüm, ~640×480 görüntüler): | Politika | Gerçek zaman | `update_s` | `dataloading_s` | GPU kullanımı | Öne çıkan bayraklar | | ----------- | ---------- | ---------: | --------------: | -------- | ------------------------------------------------------------------------------------------------------------------------------ | | `diffusion` | 16m 17s | 0.167 | 0.015 | ~90% | varsayılanlar (sıfırdan eğitim) | | `smolvla` | 27m 49s | 0.312 | 0.011 | ~80% | `--policy.path=lerobot/smolvla_base`, `freeze_vision_encoder=false`, `train_expert_only=false` | | `pi05` | 3h 41m | 2.548 | 0.014 | ~95% | `--policy.pretrained_path=lerobot/pi05_base`, `gradient_checkpointing=true`, `dtype=bfloat16`, görü kodlayıcı + uzman eğitildi | Eğitim günlükleri, tam yinelemeyi `dataloading_s` (`next(dl_iter)`), `preprocessing_s` (görsel dönüştürme ve politika hattı) ve `update_s` (optimizör güncellemesi) olarak ayırır. `step_s` bu üçünü de kapsar ve `samples_per_s` değerini belirler. Yukarıdaki ölçüm bu bölünmeden önce yapıldığından, `dataloading_s` değeri ön işleme adımını da içerir. ### Zamanlama ve denetim noktaları Eğitimi kısaltırsanız (ör. küçük bir veri setinde 5k–10k adım), LR zamanlamasını da `--policy.scheduler_decay_steps≈--steps` ile kısaltın. Aksi halde LR zirvesine yakın kalır ve asla azalmaz. `--save_freq` için de aynı durum geçerlidir. ## Nerede çalıştırılacak VRAM ilk filtredir. Bir kademede seçim, bütçeye ve erişilebilirliğe göre yapılır — `$`–`$$$$` sütunları görecelidir; fiilen kullandığınız sağlayıcıdaki güncel fiyatları kontrol edin. | Sınıf | VRAM | Seviye | Rahat | | -------------------------- | ----- | ------ | ----------------------------------------------------------- | | RTX 3090 / 4090 (tüketici) | 24 GB | `$` | Light BC, Diffusion, SmolVLA. Batch 1'de VLAs için dar. | | L4 / A10G (bulut) | 24 GB | `$–$$` | Aynı zarf; Google Cloud, RunPod ve AWS `g5/g6` üzerinde yaygındır. | | A100 40 GB | 40 GB | `$$$` | Makul parti boyutlarında herhangi bir politika. | | A100 80 GB / H100 80 GB | 80 GB | `$$$$` | Çoklu GPU kümeleri; VLAs için büyük topluluklar. | | **Sadece CPU** | — | — | Eğitim yapmayın. Colab kullanın veya bir GPU kiralayın. | ### Hugging Face İş İlanları [Hugging Face Jobs](https://huggingface.co/docs/hub/jobs), GPU sahibi olmadan, saniye bazlı faturalandırılan yönetilen HF altyapısında eğitim çalıştırmanızı sağlar. `lerobot-train` işi sizin için gönderir ve akışını sağlar — normal bir eğitim komutuna `--job.target=` eklemeniz yeterlidir: ```bash lerobot-train \ --policy.type=act --dataset.repo_id=/ \ --policy.repo_id=/act_ \ --job.target=a10g-large ``` Notlar: - Göndermeden önce `hf auth login` komutunu bir kez çalıştırın; iş, token'ınız altında çalışır. - `--job.target` yukarıdaki tabloya karşılık gelir: `t4-small`/`t4-medium` (T4, yalnızca ACT), `l4x1`/`l4x4` (L4 24 GB), `a10g-small/large/largex2/largex4` (A10G 24 GB, ölçeklendirilmiş), `a100-large` (A100). Fiyatlandırma dahil güncel kataloğu `hf jobs hardware` ile listeleyebilir veya [https://huggingface.co/docs/hub/jobs](https://huggingface.co/docs/hub/jobs) adresine bakabilirsiniz. - İş, varsayılan olarak `2d` (48 saat) zaman aşımına sahiptir. Zaman aşımını kısaltmak veya uzatmak için `--job.timeout=4h` (veya başka geçerli bir süre dizgesi) ile geçersiz kılın. İş, komut tamamlandığında otomatik olarak durdurulur. - Tam anlatım için — veri seti yükleme, checkpoint akışı, bir işte çalışmayı sürdürme — [imitation-learning eğitim kılavuzu](./il_robots#train-using-hugging-face-jobs)'na bakın.