| resume: false | |
| device: cuda | |
| use_amp: false | |
| seed: 100000 | |
| dataset_repo_id: embodied-ai/wx250s_put_aubergine_in_pot_200_slow_fixed_motor_3 | |
| video_backend: pyav | |
| training: | |
| offline_steps: 40000 | |
| num_workers: 4 | |
| batch_size: 32 | |
| eval_freq: -1 | |
| log_freq: 250 | |
| save_checkpoint: true | |
| save_freq: 2000 | |
| val_frac: 0.1 | |
| online_steps: 0 | |
| online_rollout_n_episodes: 1 | |
| online_rollout_batch_size: 1 | |
| online_steps_between_rollouts: 1 | |
| online_sampling_ratio: 0.5 | |
| online_env_seed: null | |
| online_buffer_capacity: null | |
| online_buffer_seed_size: 0 | |
| do_online_rollout_async: false | |
| 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 | |
| grad_clip_norm: 10 | |
| lr: 0.0001 | |
| lr_scheduler: cosine | |
| lr_warmup_steps: 500 | |
| adam_betas: | |
| - 0.95 | |
| - 0.999 | |
| adam_eps: 1.0e-08 | |
| adam_weight_decay: 1.0e-06 | |
| delta_timestamps: | |
| observation.state: | |
| - 0.0 | |
| observation.images.left: | |
| - 0.0 | |
| observation.images.right: | |
| - 0.0 | |
| observation.images.wrist: | |
| - 0.0 | |
| 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 | |
| drop_n_last_frames: 9 | |
| eval: | |
| n_episodes: 50 | |
| batch_size: 50 | |
| use_async_envs: false | |
| wandb: | |
| enable: false | |
| disable_artifact: false | |
| project: PI0 | |
| notes: '' | |
| fps: 30 | |
| env: | |
| name: wx250s | |
| task: null | |
| state_dim: 9 | |
| action_dim: 9 | |
| fps: ${fps} | |
| override_dataset_stats: | |
| observation.images.left: | |
| mean: | |
| - - - 0.0 | |
| - - - 0.0 | |
| - - - 0.0 | |
| std: | |
| - - - 1.0 | |
| - - - 1.0 | |
| - - - 1.0 | |
| observation.images.right: | |
| mean: | |
| - - - 0.0 | |
| - - - 0.0 | |
| - - - 0.0 | |
| std: | |
| - - - 1.0 | |
| - - - 1.0 | |
| - - - 1.0 | |
| observation.images.wrist: | |
| mean: | |
| - - - 0.0 | |
| - - - 0.0 | |
| - - - 0.0 | |
| std: | |
| - - - 1.0 | |
| - - - 1.0 | |
| - - - 1.0 | |
| policy: | |
| name: pi0small | |
| n_obs_steps: 1 | |
| n_action_steps: 10 | |
| chunk_size: 100 | |
| input_shapes: | |
| observation.images.left: | |
| - 3 | |
| - 480 | |
| - 640 | |
| observation.images.right: | |
| - 3 | |
| - 480 | |
| - 640 | |
| observation.images.wrist: | |
| - 3 | |
| - 480 | |
| - 640 | |
| observation.state: | |
| - ${env.state_dim} | |
| output_shapes: | |
| action: | |
| - ${env.action_dim} | |
| input_normalization_modes: | |
| observation.images.left: mean_std | |
| observation.images.right: mean_std | |
| observation.images.wrist: mean_std | |
| observation.state: mean_std | |
| output_normalization_modes: | |
| action: mean_std | |
| use_lang: false | |
| lang_embed_dim: 1 | |
| lang_pool_method: cls | |
| timm_vision_backbone: vit_small_r26_s32_224 | |
| crop_shape: | |
| - 475 | |
| - 635 | |
| crop_is_random: true | |
| resize_shape: | |
| - 252 | |
| - 252 | |
| pretrained_backbone_weights: true | |
| use_separate_rgb_encoder_per_camera: false | |
| freeze_image_encoders: false | |
| dit_model_size: L | |
| activation: gelu | |
| dropout: 0.1 | |
| immiscible_flow: true | |
| num_inference_steps: 10 | |
| do_mask_loss_for_padding: true | |