器人評(píng)測(cè)：EasyWAM-Unified-Cosmos25 多卡分布式部署與調(diào)優(yōu)教程)
【免費(fèi)下載鏈接】EasyWAM-Unified-Cosmos25項(xiàng)目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點(diǎn)擊查看免費(fèi)下載EasyWAM-Unified-Cosmos25 是 OpenMOSS 基于 Cosmos-Predict2.5-2B 發(fā)布的 World-Action Model 評(píng)測(cè)檢查點(diǎn)倉(cāng)庫(kù)配合 LIBERO 基準(zhǔn)可完成完整的機(jī)器人評(píng)測(cè)流程。本文將手把手教你如何用多卡分布式部署把機(jī)器人評(píng)測(cè)時(shí)間壓到最短從檢查點(diǎn)下載、一鍵啟動(dòng)多卡評(píng)測(cè)到MULTIRUN.num_gpus關(guān)鍵參數(shù)與 4 個(gè)實(shí)用調(diào)優(yōu)技巧新手也能快速上手。為什么 LIBERO 機(jī)器人評(píng)測(cè)這么慢在開(kāi)始加速之前先搞清楚時(shí)間都花在了哪里。按 README.md 中的默認(rèn)評(píng)測(cè)協(xié)議機(jī)器人評(píng)測(cè)需要覆蓋LIBERO 全部 4 個(gè)測(cè)試套件測(cè)試套件任務(wù)數(shù)每任務(wù)試驗(yàn)次數(shù)Spatial1050Object1050Goal1050LIBERO-101050也就是說(shuō)一次完整評(píng)測(cè) 40 個(gè)任務(wù) × 50 次試驗(yàn) 2000 次 rollout。每一次 rollout 都要在 LIBERO 仿真器中逐步執(zhí)行并反復(fù)調(diào)用 2B 規(guī)模的 Video DiT 模型做推理。單卡串行跑完等待時(shí)間往往以天計(jì)——這正是多卡分布式評(píng)測(cè)要解決的問(wèn)題。三步啟動(dòng)多卡機(jī)器人評(píng)測(cè)第一步下載檢查點(diǎn)與統(tǒng)計(jì)文件倉(cāng)庫(kù)中已包含 LIBERO 全參數(shù)檢查點(diǎn)評(píng)測(cè)時(shí)需要兩個(gè)文件模型權(quán)重libero_unified_cosmos25.pt數(shù)據(jù)歸一化統(tǒng)計(jì)libero_dataset_stats.jsonhf download OpenMOSS-Team/EasyWAM-Unified-Cosmos25 \ libero_unified_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 這兩個(gè)文件只需下載一次之后重復(fù)評(píng)測(cè)、換卡數(shù)重跑都可以直接復(fù)用這是最容易被忽略的加速點(diǎn)。第二步準(zhǔn)備運(yùn)行環(huán)境按照 README.md 的說(shuō)明完成三件事即可安裝 EasyWAM 代碼庫(kù)按官方 backbone 指南配置 Cosmos-Predict2.5-2B 依賴搭建 LIBERO 仿真環(huán)境。第三步一條命令啟動(dòng)分布式評(píng)測(cè)python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus4加上MULTIRUN.num_gpus4后評(píng)測(cè)任務(wù)就會(huì)被自動(dòng)分配到 4 張 GPU 上并行執(zhí)行理想情況下總耗時(shí)約為單卡的 1/4。關(guān)鍵參數(shù)詳解MULTIRUN.num_gpus 怎么用下面是本教程涉及的全部參數(shù)速查表參數(shù)作用說(shuō)明task評(píng)測(cè)任務(wù)配置固定為libero_easywam_unified_cosmos25ckpt模型權(quán)重路徑指向下載的.pt檢查點(diǎn)EVALUATION.dataset_stats_path數(shù)據(jù)統(tǒng)計(jì)文件路徑用于狀態(tài)與動(dòng)作的歸一化MULTIRUN.num_gpus參與評(píng)測(cè)的 GPU 數(shù)量多卡分布式部署的核心開(kāi)關(guān)按需填寫(xiě)卡數(shù)多卡分配原理num_gpus指定后2000 次 rollout 會(huì)被切分成若干份分別落在不同 GPU 上并行推進(jìn)最后匯總各卡的成功率得到最終結(jié)果?？〝?shù)越多單次完整評(píng)測(cè)的墻鐘時(shí)間越短。4 個(gè)讓機(jī)器人評(píng)測(cè)更快的調(diào)優(yōu)技巧1. 先用nvidia-smi確認(rèn)真實(shí)可用卡數(shù)?把num_gpus設(shè)置成你機(jī)器上實(shí)際可用的 GPU 數(shù)量而不是理想數(shù)量。如果其中一張卡被其他進(jìn)程占用評(píng)測(cè)速度會(huì)明顯掉隊(duì)。2. 用CUDA_VISIBLE_DEVICES精確指定用哪幾張卡如果你只希望用 0、1 號(hào)卡做評(píng)測(cè)可以這樣控制CUDA_VISIBLE_DEVICES0,1 python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus23. 監(jiān)控各卡利用率發(fā)現(xiàn)拖后腿的卡評(píng)測(cè)中途執(zhí)行nvidia-smi觀察每張卡的顯存與利用率。若某張卡長(zhǎng)期空閑或顯存暴漲說(shuō)明任務(wù)分配或顯存分配存在問(wèn)題及時(shí)重啟比硬等更劃算。4. 顯存不夠時(shí)優(yōu)先降卡數(shù)而不是降精度2B 規(guī)模的 Video DiT 對(duì)單卡顯存要求不低具體取決于圖像分辨率等配置。遇到 OOM 時(shí)建議先減少num_gpus或與其他進(jìn)程錯(cuò)峰使用避免影響成功率的可比性。評(píng)測(cè)結(jié)果速覽這個(gè)模型有多強(qiáng)跑完之后你可以對(duì)照 README.md 中發(fā)布的官方基線判斷結(jié)果是否正常。全參數(shù)檢查點(diǎn)在 LIBERO 四套件上的任務(wù)成功率如下50 次試驗(yàn)/任務(wù)模型SpatialObjectGoalLIBERO-10平均 EasyWAM-Unified97.899.497.093.096.8同時(shí)在更難的 LIBERO-Plus 擾動(dòng)測(cè)試背景、光照、布局、噪聲等 8 類擾動(dòng)中平均成功率達(dá) 78.2%說(shuō)明該檢查點(diǎn)的魯棒性也有保障。若你的評(píng)測(cè)結(jié)果與官方數(shù)值偏差過(guò)大建議優(yōu)先檢查dataset_stats_path是否指向正確的 libero_dataset_stats.json。常見(jiàn)問(wèn)題 FAQQ多卡評(píng)測(cè)的結(jié)果和單卡一致嗎一致。分布式只是把 2000 次 rollout 分組并行每個(gè) trial 的輸入輸出不變最終成功率匯總方式與單卡協(xié)議相同。Q卡數(shù)越多一定越快嗎接近線性加速但受主機(jī) CPU、仿真器初始化與存儲(chǔ)讀寫(xiě)影響卡數(shù)過(guò)多時(shí)邊際收益會(huì)下降。建議從 24 卡起步觀察實(shí)際加速比再?zèng)Q定。Q我只想快速驗(yàn)證流程不想跑滿 2000 次可以先用更少的任務(wù)數(shù)試跑確認(rèn)多卡并行正常后再執(zhí)行完整協(xié)議。總結(jié)機(jī)器人評(píng)測(cè)慢的根源是 4 套件 × 40 任務(wù) × 50 試驗(yàn)的龐大 rollout 量加上MULTIRUN.num_gpus卡數(shù)即可開(kāi)啟多卡分布式評(píng)測(cè)這是本倉(cāng)庫(kù)加速的核心開(kāi)關(guān)配合nvidia-smi檢查、CUDA_VISIBLE_DEVICES選卡與利用率監(jiān)控可以進(jìn)一步榨干硬件性能。按照本文步驟操作你就能把 EasyWAM-Unified-Cosmos25 的完整 LIBERO 評(píng)測(cè)從過(guò)夜任務(wù)變成幾小時(shí)任務(wù)。更多協(xié)議細(xì)節(jié)與檢查點(diǎn)說(shuō)明見(jiàn)倉(cāng)庫(kù)文檔 README.md。贊分享【免費(fèi)下載鏈接】EasyWAM-Unified-Cosmos25項(xiàng)目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點(diǎn)擊查看免費(fèi)下載相關(guān)推薦如何高效部署EasyWAM-Unified-Wan22多GPU分布式評(píng)測(cè)與運(yùn)行參數(shù)調(diào)優(yōu)完整教程如何高效部署EasyWAM Unified Wan22多GPU分布式評(píng)測(cè)與運(yùn)行參數(shù)調(diào)優(yōu)完整教程 EasyWAM Unified Wan22 是 EasyWAM人工智能具身智能機(jī)器人微調(diào)深度學(xué)習(xí)如何跑通 LIBERO 評(píng)測(cè)EasyWAM-Hidden-Cosmos25 run_libero_manager 參數(shù)逐步解析如何跑通 LIBERO 評(píng)測(cè)EasyWAM Hidden Cosmos25 run_libero_manager 參數(shù)逐步解析 EasyWAM HiddenEasyWAM-MoT-Cosmos25評(píng)測(cè)實(shí)戰(zhàn)LIBERO四套基準(zhǔn)50輪測(cè)試全流程附多GPU并行加速技巧EasyWAM MoT Cosmos25評(píng)測(cè)實(shí)戰(zhàn)LIBERO四套基準(zhǔn)50輪測(cè)試全流程附多GPU并行加速技巧 EasyWAM MoT Cosmos25 是基于創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 如何加速機(jī)器人評(píng)測(cè)：EasyWAM-Unified-Cosmos25 多卡分布式部署與調(diào)優(yōu)教程
【免費(fèi)下載鏈接】EasyWAM-Unified-Cosmos25項(xiàng)目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點(diǎn)擊查看免費(fèi)下載EasyWAM-Unified-Cosmos25 是 OpenMOSS 基于 Cosmos-Predict2.5-2B 發(fā)布的 World-Action Model 評(píng)測(cè)檢查點(diǎn)倉(cāng)庫(kù)配合 LIBERO 基準(zhǔn)可完成完整的機(jī)器人評(píng)測(cè)流程。本文將手把手教你如何用多卡分布式部署把機(jī)器人評(píng)測(cè)時(shí)間壓到最短從檢查點(diǎn)下載、一鍵啟動(dòng)多卡評(píng)測(cè)到MULTIRUN.num_gpus關(guān)鍵參數(shù)與 4 個(gè)實(shí)用調(diào)優(yōu)技巧新手也能快速上手。為什么 LIBERO 機(jī)器人評(píng)測(cè)這么慢在開(kāi)始加速之前先搞清楚時(shí)間都花在了哪里。按 README.md 中的默認(rèn)評(píng)測(cè)協(xié)議機(jī)器人評(píng)測(cè)需要覆蓋LIBERO 全部 4 個(gè)測(cè)試套件測(cè)試套件任務(wù)數(shù)每任務(wù)試驗(yàn)次數(shù)Spatial1050Object1050Goal1050LIBERO-101050也就是說(shuō)一次完整評(píng)測(cè) 40 個(gè)任務(wù) × 50 次試驗(yàn) 2000 次 rollout。每一次 rollout 都要在 LIBERO 仿真器中逐步執(zhí)行并反復(fù)調(diào)用 2B 規(guī)模的 Video DiT 模型做推理。單卡串行跑完等待時(shí)間往往以天計(jì)——這正是多卡分布式評(píng)測(cè)要解決的問(wèn)題。三步啟動(dòng)多卡機(jī)器人評(píng)測(cè)第一步下載檢查點(diǎn)與統(tǒng)計(jì)文件倉(cāng)庫(kù)中已包含 LIBERO 全參數(shù)檢查點(diǎn)評(píng)測(cè)時(shí)需要兩個(gè)文件模型權(quán)重libero_unified_cosmos25.pt數(shù)據(jù)歸一化統(tǒng)計(jì)libero_dataset_stats.jsonhf download OpenMOSS-Team/EasyWAM-Unified-Cosmos25 \ libero_unified_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 這兩個(gè)文件只需下載一次之后重復(fù)評(píng)測(cè)、換卡數(shù)重跑都可以直接復(fù)用這是最容易被忽略的加速點(diǎn)。第二步準(zhǔn)備運(yùn)行環(huán)境按照 README.md 的說(shuō)明完成三件事即可安裝 EasyWAM 代碼庫(kù)按官方 backbone 指南配置 Cosmos-Predict2.5-2B 依賴搭建 LIBERO 仿真環(huán)境。第三步一條命令啟動(dòng)分布式評(píng)測(cè)python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus4加上MULTIRUN.num_gpus4后評(píng)測(cè)任務(wù)就會(huì)被自動(dòng)分配到 4 張 GPU 上并行執(zhí)行理想情況下總耗時(shí)約為單卡的 1/4。關(guān)鍵參數(shù)詳解MULTIRUN.num_gpus 怎么用下面是本教程涉及的全部參數(shù)速查表參數(shù)作用說(shuō)明task評(píng)測(cè)任務(wù)配置固定為libero_easywam_unified_cosmos25ckpt模型權(quán)重路徑指向下載的.pt檢查點(diǎn)EVALUATION.dataset_stats_path數(shù)據(jù)統(tǒng)計(jì)文件路徑用于狀態(tài)與動(dòng)作的歸一化MULTIRUN.num_gpus參與評(píng)測(cè)的 GPU 數(shù)量多卡分布式部署的核心開(kāi)關(guān)按需填寫(xiě)卡數(shù)多卡分配原理num_gpus指定后2000 次 rollout 會(huì)被切分成若干份分別落在不同 GPU 上并行推進(jìn)最后匯總各卡的成功率得到最終結(jié)果?？〝?shù)越多單次完整評(píng)測(cè)的墻鐘時(shí)間越短。4 個(gè)讓機(jī)器人評(píng)測(cè)更快的調(diào)優(yōu)技巧1. 先用nvidia-smi確認(rèn)真實(shí)可用卡數(shù)?把num_gpus設(shè)置成你機(jī)器上實(shí)際可用的 GPU 數(shù)量而不是理想數(shù)量。如果其中一張卡被其他進(jìn)程占用評(píng)測(cè)速度會(huì)明顯掉隊(duì)。2. 用CUDA_VISIBLE_DEVICES精確指定用哪幾張卡如果你只希望用 0、1 號(hào)卡做評(píng)測(cè)可以這樣控制CUDA_VISIBLE_DEVICES0,1 python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus23. 監(jiān)控各卡利用率發(fā)現(xiàn)拖后腿的卡評(píng)測(cè)中途執(zhí)行nvidia-smi觀察每張卡的顯存與利用率。若某張卡長(zhǎng)期空閑或顯存暴漲說(shuō)明任務(wù)分配或顯存分配存在問(wèn)題及時(shí)重啟比硬等更劃算。4. 顯存不夠時(shí)優(yōu)先降卡數(shù)而不是降精度2B 規(guī)模的 Video DiT 對(duì)單卡顯存要求不低具體取決于圖像分辨率等配置。遇到 OOM 時(shí)建議先減少num_gpus或與其他進(jìn)程錯(cuò)峰使用避免影響成功率的可比性。評(píng)測(cè)結(jié)果速覽這個(gè)模型有多強(qiáng)跑完之后你可以對(duì)照 README.md 中發(fā)布的官方基線判斷結(jié)果是否正常。全參數(shù)檢查點(diǎn)在 LIBERO 四套件上的任務(wù)成功率如下50 次試驗(yàn)/任務(wù)模型SpatialObjectGoalLIBERO-10平均 EasyWAM-Unified97.899.497.093.096.8同時(shí)在更難的 LIBERO-Plus 擾動(dòng)測(cè)試背景、光照、布局、噪聲等 8 類擾動(dòng)中平均成功率達(dá) 78.2%說(shuō)明該檢查點(diǎn)的魯棒性也有保障。若你的評(píng)測(cè)結(jié)果與官方數(shù)值偏差過(guò)大建議優(yōu)先檢查dataset_stats_path是否指向正確的 libero_dataset_stats.json。常見(jiàn)問(wèn)題 FAQQ多卡評(píng)測(cè)的結(jié)果和單卡一致嗎一致。分布式只是把 2000 次 rollout 分組并行每個(gè) trial 的輸入輸出不變最終成功率匯總方式與單卡協(xié)議相同。Q卡數(shù)越多一定越快嗎接近線性加速但受主機(jī) CPU、仿真器初始化與存儲(chǔ)讀寫(xiě)影響卡數(shù)過(guò)多時(shí)邊際收益會(huì)下降。建議從 24 卡起步觀察實(shí)際加速比再?zèng)Q定。Q我只想快速驗(yàn)證流程不想跑滿 2000 次可以先用更少的任務(wù)數(shù)試跑確認(rèn)多卡并行正常后再執(zhí)行完整協(xié)議。總結(jié)機(jī)器人評(píng)測(cè)慢的根源是 4 套件 × 40 任務(wù) × 50 試驗(yàn)的龐大 rollout 量加上MULTIRUN.num_gpus卡數(shù)即可開(kāi)啟多卡分布式評(píng)測(cè)這是本倉(cāng)庫(kù)加速的核心開(kāi)關(guān)配合nvidia-smi檢查、CUDA_VISIBLE_DEVICES選卡與利用率監(jiān)控可以進(jìn)一步榨干硬件性能。按照本文步驟操作你就能把 EasyWAM-Unified-Cosmos25 的完整 LIBERO 評(píng)測(cè)從過(guò)夜任務(wù)變成幾小時(shí)任務(wù)。更多協(xié)議細(xì)節(jié)與檢查點(diǎn)說(shuō)明見(jiàn)倉(cāng)庫(kù)文檔 README.md。贊分享【免費(fèi)下載鏈接】EasyWAM-Unified-Cosmos25項(xiàng)目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點(diǎn)擊查看免費(fèi)下載相關(guān)推薦如何高效部署EasyWAM-Unified-Wan22多GPU分布式評(píng)測(cè)與運(yùn)行參數(shù)調(diào)優(yōu)完整教程如何高效部署EasyWAM Unified Wan22多GPU分布式評(píng)測(cè)與運(yùn)行參數(shù)調(diào)優(yōu)完整教程 EasyWAM Unified Wan22 是 EasyWAM人工智能具身智能機(jī)器人微調(diào)深度學(xué)習(xí)如何跑通 LIBERO 評(píng)測(cè)EasyWAM-Hidden-Cosmos25 run_libero_manager 參數(shù)逐步解析如何跑通 LIBERO 評(píng)測(cè)EasyWAM Hidden Cosmos25 run_libero_manager 參數(shù)逐步解析 EasyWAM HiddenEasyWAM-MoT-Cosmos25評(píng)測(cè)實(shí)戰(zhàn)LIBERO四套基準(zhǔn)50輪測(cè)試全流程附多GPU并行加速技巧EasyWAM MoT Cosmos25評(píng)測(cè)實(shí)戰(zhàn)LIBERO四套基準(zhǔn)50輪測(cè)試全流程附多GPU并行加速技巧 EasyWAM MoT Cosmos25 是基于創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考