training

Policy 선택·생성 (Step 2)

ACT, Diffusion, PI0 등 정책을 새로 만들거나 기존 체크포인트를 fine-tune.

최근 확인 버전: v5.0.0

Step 2에서는 어떤 **정책 (policy)**을 학습할지 결정합니다.

새 정책 만들기

    1. Select Policy 셀렉트를 펼칩니다.

      기존 정책 목록 + Create New Policy + 옵션이 보입니다.

      스크린샷 누락/docs/training/policy-01-select.png

      Policy 셀렉트 펼침

    2. Create New Policy +를 누릅니다.

      하단에 정책 폼이 나타납니다.

      Create New Policy 폼

    3. Policy Type을 선택하면 타입별 파라미터 폼이 표시됩니다.

      • ACT — 가장 빠르고 안정적. 처음 학습하기 좋음
      • Diffusion — 다양한 동작 분포 학습에 강함. 학습/추론 둘 다 느림
      • PI0 — 멀티모달 입력 처리에 강함. 큰 데이터셋이 필요

      ACT/Diffusion 등에서는 pretrained_backbone_weights 항목으로 ImageNet pretrained 가중치를 시작점으로 쓸지 결정할 수 있습니다.

      ACT의 vision_backbone 셀렉트에서 다음 옵션을 고를 수 있습니다.

      • resnet18 / resnet34 / resnet50 — 기존 CNN 백본. 가볍고 빠릅니다.
      • dinov2-small / dinov2 / dinov3 — Meta의 자기지도 학습 비전 트랜스포머. 적은 데이터에서도 좋은 표현을 학습하지만 메모리·연산 비용이 더 큽니다.

      DINOv2 / DINOv3 백본을 선택했을 때만 의미 있는 옵션도 있습니다 (예: partial unfreeze — 백본 마지막 몇 블록만 풀어 미세조정). ResNet 경로에서는 무시됩니다.

      정책 파라미터 폼 — 타입별 하이퍼파라미터 + pretrained_backbone_weights

    4. 이름을 입력하고 Save 또는 Save As로 저장합니다.

      스크린샷 누락/docs/training/policy-04-save-as.png

      Save Policy As 다이얼로그

하이퍼파라미터 도움말

정책 폼의 각 하이퍼파라미터(learning_rate, chunk_size, lora_rank 등) 라벨 옆에는 노란 ? 아이콘이 붙어 있습니다. 누르면 정책 타입에 맞춰 쉬운 설명 / 자세한 설명으로 나뉜 도움말 다이얼로그가 뜹니다. 자세한 사용법은 학습 파라미터를 참고하세요.

기존 체크포인트 이어 학습 (Fine-tune)

상단의 Load Model from Checkpoint 셀렉트에서 이전 체크포인트를 고르면 그 가중치로 시작해 추가 학습합니다. 정책 타입과 이름은 자동으로 잠깁니다.