从零复现 gr00t17-lerobot-libero_goal-640：20,000 步微调 GR00T N1.7 的完整训练管线指南

从零复现 gr00t17-lerobot-libero_goal-640：20,000 步微调 GR00T N1.7 的完整训练管线指南

【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640

想亲手复现 NVIDIA 的 GR00T N1.7 机器人大模型微调？这篇GR00T N1.7 微调完整指南将带你从零走通 gr00t17-lerobot-libero_goal-640 的训练管线：从环境搭建、仓库克隆，到 20,000 步微调 LIBERO Goal 任务的参数解析与命令启动，全程基于仓库内真实配置，新手也能照抄作业。

gr00t17-lerobot-libero_goal-640 是什么？

简单说，这是一个基于 LeRobot 框架训练并发布的GR00T N1.7 微调模型仓库，镜像自 NVIDIA。GR00T N1.7 是 NVIDIA 开源的跨本体（cross-embodiment）人形机器人基础模型，采用 Cosmos-Reason2/Qwen3-VL 视觉语言主干 + 流匹配动作 Transformer（flow-matching action transformer），根据视觉、语言和本体感受预测机器人动作。

本仓库则是在LIBERO Goal 基准数据集上，用 20,000 步训练出的微调版本，仓库核心文件包括：

复现前准备：安装 LeRobot 并克隆仓库

训练与推理都依赖 LeRobot（本模型基于 0.6.1 版本）。建议使用官方提供的 GPU 镜像huggingface/lerobot-gpu:latest，可省去大量依赖安装时间。

克隆本仓库：

git clone https://gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640

克隆后你会在目录中看到上文表格中的文件，其中train_config.json是复现训练的关键——它记录了本次微调的全部超参数。

看懂训练配置：20,000 步微调核心参数解析

打开train_config.json，你会发现这是一份"开箱即用"的完整配置。下面拆解几个最关键的部分。

数据集与任务定义

本次微调使用 LIBERO Goal 数据集（不含 no-op 动作的 1.0.0 版）：

• 数据集：IPEC-COMMUNITY/libero_goal_no_noops_1.0.0_lerobot
• 任务类型：LIBERO Goal 长程操作任务
• 数据增强：启用了 color jitter（亮度 0.7~1.3、对比度 0.6~1.4、饱和度 0.5~1.5 等），增强泛化能力
• 样本平衡：同时启用了数据集与轨迹级权重平衡（balance_dataset_weights/balance_trajectory_weights）

输入输出特征：模型的"眼睛"与"手脚"

从config.json可以看到模型消费的特征：

训练时以 1 步观测预测 16 步动作（n_obs_steps=1，n_action_steps=16），图像统一缩放到 256×256。后处理阶段通过policy_postprocessor.json中的 libero 专用解码，对夹爪动作做二值化处理，适配 LIBERO 仿真环境。

微调策略：哪些模块被解锁？

这是 GR00T 微调的核心精髓。在 3B 参数基础模型（nvidia/GR00T-N1.7-3B）之上，本次只解锁了部分模块：

也就是说，20,000 步微调主要训练投影器、扩散模型与 VLLN，冻结 LLM 和视觉主干。这样既大幅降低显存与训练成本，又能保留基础模型的通用能力，属于典型的高效微调方案（未使用 LoRA，use_peft=false）。

优化器与学习率设置

{ "optimizer": "adamw", "lr": 0.0001, "weight_decay": 1e-05, "grad_clip_norm": 1.0, "scheduler": "cosine", "num_warmup_steps": 1000 }

• 优化器：AdamW，学习率 1e-4，权重衰减 1e-5
• 调度器：cosine 余弦退火，前 1000 步预热
• 全局批大小：320（实际布局为 2×320，即每卡 320 的并行策略）
• 随机种子：42，确保可复现
• 精度：bf16 混合精度（use_bf16=true）
• 步数：20000 步，每 1000 步保存一次检查点

一键启动训练：lerobot-train 命令详解

环境就绪后，复现训练只需一条命令。参照README.md中的标准写法：

lerobot-train \ --dataset.repo_id=${HF_USER}/<dataset> \ --policy.type=groot \ --output_dir=outputs/train/<policy_repo_id> \ --job_name=lerobot_training \ --policy.device=cuda \ --policy.repo_id=${HF_USER}/<policy_repo_id> \ --wandb.enable=true

如果你希望严格复现本仓库的训练，可以直接以train_config.json为基准，把其中的output_dir（/checkpoints/gr00t-n17-libero-oss-h16-adamw-gbs640-20k-...）、数据集路径等替换为你本机的实际路径即可。训练会以save_freq=1000的频率把检查点写入outputs/train/<policy_repo_id>/checkpoints/目录。

提示：训练命令中--wandb.enable=true会开启 Weights & Biases 在线监控，方便实时观察 loss 曲线；不需要可改为false。

训练过程监控与检查点管理

• 日志频率：每 10 步输出一次训练日志（log_freq=10）
• 保存频率：每 1000 步保存一个检查点（save_freq=1000），训练 20,000 步共产生约 20 个检查点
• 恢复训练：配置中resume=false，如训练中断可将train_config.json中的resume改为true，并从最近检查点继续

部署验证：用 lerobot-rollout 运行策略

训练完成后（或直接使用本仓库权重），可以在仿真环境中验证策略表现。参照README.md的 rollout 命令：

lerobot-rollout \ --strategy.type=base \ --robot.type=<your_robot_type> \ --robot.port=<your_robot_port> \ --robot.cameras="{ <camera_1>: {type: opencv, index_or_path: <index_or_path>, width: 640, height: 480, fps: 30}, <camera_2>: {type: opencv, index_or_path: <index_or_path>, width: 640, height: 480, fps: 30}}" \ --policy.path=nvidia/gr00t17-lerobot-libero_goal-640 \ --task="<your_task_description>" \ --duration=60

注意：相机名称必须与训练时的观测键一致（wrist_image与image），否则推理会报错。--strategy.type=base表示不录制回合，策略会持续运行直到达到指定时长。

常见问题与调优建议

1. 显存不够怎么办？20,000 步微调使用 bf16 且冻结 LLM 与视觉编码器，显存压力已大幅降低。若仍不足，可调小全局批大小（train_config.json中的batch_size），或开启 LoRA（use_peft=true、设置lora_rank）。

2. 想微调其他任务？只需替换数据集为你的 LeRobot 格式数据集，并保持输入输出特征形状一致（双相机 + 8 维状态 + 7 维动作）。若任务不同，请同步修改policy_postprocessor.json中的动作解码配置。

3. 如何提升成功率？优先关注数据质量与平衡（本仓库启用了轨迹级权重平衡），其次是图像增强强度。推理时也可以调整num_inference_timesteps（当前为 4）在速度与精度间权衡。

4. 如何查看完整超参？所有超参都在仓库的train_config.json与config.json中，预处理/后处理细节分别见policy_preprocessor.json与policy_postprocessor.json，配合README.md一起阅读，即可完全复现这条GR00T N1.7 微调训练管线。

从克隆仓库到 20,000 步训练完成，整个流程并不复杂——关键是把train_config.json里的每项参数吃透。现在就去试试吧，祝你一次跑通！🚀

【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640