Upload folder using huggingface_hub

README.md

@@ -0,0 +1,9 @@
+---
+tags:
+- model_hub_mixin
+- pytorch_model_hub_mixin
+---
+
+This model has been pushed to the Hub using the [PytorchModelHubMixin](https://huggingface.co/docs/huggingface_hub/package_reference/mixins#huggingface_hub.PyTorchModelHubMixin) integration:
+- Library: [More Information Needed]
+- Docs: [More Information Needed]

config.json

@@ -0,0 +1,43 @@
+{
+  "chunk_size": 100,
+  "dim_feedforward": 3200,
+  "dim_model": 512,
+  "dropout": 0.1,
+  "feedforward_activation": "relu",
+  "input_normalization_modes": {
+    "observation.images.phone": "mean_std",
+    "observation.state": "mean_std"
+  },
+  "input_shapes": {
+    "observation.images.phone": [
+      3,
+      480,
+      640
+    ],
+    "observation.state": [
+      6
+    ]
+  },
+  "kl_weight": 10.0,
+  "latent_dim": 32,
+  "n_action_steps": 100,
+  "n_decoder_layers": 1,
+  "n_encoder_layers": 4,
+  "n_heads": 8,
+  "n_obs_steps": 1,
+  "n_vae_encoder_layers": 4,
+  "output_normalization_modes": {
+    "action": "mean_std"
+  },
+  "output_shapes": {
+    "action": [
+      6
+    ]
+  },
+  "pre_norm": false,
+  "pretrained_backbone_weights": "ResNet18_Weights.IMAGENET1K_V1",
+  "replace_final_stride_with_dilation": false,
+  "temporal_ensemble_momentum": null,
+  "use_vae": true,
+  "vision_backbone": "resnet18"
+}

config.yaml

@@ -0,0 +1,215 @@
+resume: false
+device: cuda
+use_amp: false
+seed: 1000
+dataset_repo_id: lerobot/koch_pick_place_lego_simple_v2
+video_backend: pyav
+training:
+  offline_steps: 80000
+  online_steps: 0
+  online_steps_between_rollouts: 1
+  online_sampling_ratio: 0.5
+  online_env_seed: ???
+  eval_freq: -1
+  log_freq: 100
+  save_checkpoint: true
+  save_freq: 10000
+  num_workers: 4
+  batch_size: 8
+  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: true
+  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.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.phone:
+    - 3
+    - 480
+    - 640
+    observation.state:
+    - ${env.state_dim}
+  output_shapes:
+    action:
+    - ${env.action_dim}
+  input_normalization_modes:
+    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

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9dc089e74eba096882535702d63f7bb9486086310f7f082707f0300ad7923e3c
+size 206700800