训练
训练的作用，是让模型从示范数据中学习“看见当前状态后应该执行什么动作”。数据集中保存了摄像机画面、机械臂关节状态和人类示范动作；训练会把这些样本反复输入算法，使模型逐步学会从视觉和状态信息预测下一步动作。
训练完成后得到的是一个模型，而不是一段固定动作。固定动作只会重复预设轨迹；训练模型则尝试根据当前画面和机械臂状态输出动作，因此更适合处理存在轻微位置变化的任务。但模型能否表现稳定，取决于数据质量、任务难度、采集一致性和训练配置。
训练页面支持云端训练和本地训练。
| 参数 | 默认值 | 说明 |
|---|---|---|
| 训练数据集 | 需选择 | 选择已采集并可训练的数据集 |
| 策略 | ACT | 训练使用的策略或算法类型。可选 ACT 或其他已经支持的模型 |
| 训练步数 | 10000 | 模型反复学习样本的步数，步数越高通常训练更充分，但耗时和资源消耗更高。步数太少可能学不充分；步数越高耗时越长，也可能对小数据集过拟合 |
| 批量大小 | 每次训练同时处理的样本数量 | 更大的批量大小通常更占显存或内存；资源不足时可降低 |
云端训练需要登录 SenseCraft 账号，并确认网络连接稳定。可执行：
- 创建训练任务
- 查看当前任务
- 查看历史任务
- 查看训练日志和指标
- 停止任务
- 训练成功后下载 / 拉取模型到本地
云端训练完成后，软件可将模型拉取到本地，用于模型运行页面运行。
本地训练需要确认本机运行环境、依赖环境和可用算力满足策略要求。本地训练使用随应用携带的 LeRobot / Python 运行环境。
ACT 本地训练会注册本地模型。
云端训练和本地训练怎么选
Section titled “云端训练和本地训练怎么选”云端训练适合课堂、实验室和展示场景中快速得到训练结果。它把算力压力交给云端，用户主要负责选择数据集、配置策略、提交任务并查看日志。训练完成后，将模型拉取到本地即可进入模型运行页面验证。
本地训练适合需要离线运行、调试算法环境或验证特定运行环境的场景。它对本机依赖、磁盘空间、Python 环境和算力要求更高。使用 GR00T N1.7 时，还需要确认 Hugging Face 访问令牌、模型访问授权、运行环境和模型缓存都已就绪。
如何判断训练是否正常
Section titled “如何判断训练是否正常”训练过程中应关注任务状态、日志、错误提示和指标变化。如果训练很快失败，通常要先检查数据集是否可读、账号是否登录、访问令牌是否有效、依赖是否完整。如果训练能正常运行但结果不好，问题更可能来自数据质量、任务定义过于复杂、示范数量不足或摄像机视角不稳定。
训练成功只表示模型文件已生成，并不等于模型已经能稳定完成任务。训练结束后，需要在模型运行页面进行小范围、安全的实机验证，观察模型动作是否朝着任务目标推进，再决定是否补采数据或重新训练。