基于AutoDL远端服务器在pycharm复现：具身智能论文pai0

基于AutoDL远端服务器在pycharm复现：身智能论文pai0

• 一、通过git把项目源码下载到本地
• 二、把远端显卡通过SSH连接到你的本地pycharm
• 三、开搞吧那就（下载模型把服务端跑起来）
• • 服务器部署UV
  • 下载模型
  • 把服务端拉起来！！！
• [四、部署客户端，并下载小视频 ；）](#四、部署客户端，并下载小视频 ；）)

一、通过git把项目源码下载到本地

我们一定要使用git命令去下，不要用git网站的download ZIP去下载。因为这个下载下来的项目会缺少部分文件，最后你还是要用git命令下载。打开pycharm本地终端，输入命令：

git clone --recurse-submodules https://github.com/Physical-Intelligence/openpi.git 

本地把下载好的这个项目新建一个工程，这样你的pycharm本地就有代码了：

二、把远端显卡通过SSH连接到你的本地pycharm

1. 首先去AutoDL官网组一个显卡，要求：Ubuntu 22.04镜像、4090及以上即可。
   
2. 在pycharm中如何配置好显卡，官网有非常详细的操作手册，按照一步一步做就能搭建好，点击跳转。
   配置好后效果如下图红色圈圈所示：

tips：配置过程中会有一个映射文件的选项，你可以自由的选择本地哪个路径映射到远端服务器哪个路径。

三、开搞吧那就（下载模型把服务端跑起来）

现在，我们有显卡，有代码，直接开搞：

等一下，我们首先捋清楚一些概念：

· pai0的复现有两个模块，一个是服务端，一个是客户端，分别在两个终端运行；

· 我们租的显卡（或者你们自己实验室的显卡！！！）是远端服务器，本地只存储项目源码，其他一律不跑，一律不存，只通过SSH协议远程去调用服务器就可以。

好，接下来我们去服务器上面部署环境。

服务器部署UV

首先确保你的服务器不在conda环境下，只要你不多于操作，服务器调起来后一般是不会进conda的。

分别输入以下命令安装UV：

export UV_DEFAULT_INDEX="https://mirrors.aliyun.com/pypi/simple"
wget -qO- https://astral.sh/uv/install.sh | sh
echo 'eval "$(uv generate-shell-completion bash)"' >> ~/.bashrc
pip install uv

在安装完后进入到 项目的根目录下执行下面的命令：

cd 你的项目根目录（默认是openpi，我自己改名为pai0了）
GIT_LFS_SKIP_SMUDGE=1 uv sync
GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .

都不报错误的话，接下来试试UV装好了没。

echo 'print("UV work done")' > test.py
uv run test.py

如果控制台打印了print语句，说明的UV搞定了，有警告没关系，只要能跑起来就行。

下载模型

我们通过脚本下载模型，首先在你本地的项目中new一个python文件download.py，这个脚本要放在src 目录下，里面写如下代码：

from openpi.training import config
from openpi.policies import policy_config
from openpi.shared import download

model_name = "pi0_fast_droid"
model_link = "gs://openpi-assets/checkpoints/pi0_fast_droid"

config = config.get_config(model_name)
checkpoint_dir = download.maybe_download(model_link)

policy = policy_config.create_trained_policy(config, checkpoint_dir)

脚本中的 model_name 和 model_link 变量来指定想要的模型。这两个变量其实就是 ReadMe 提供的链接，

例如 gs://openpi-assets/checkpoints/pi0_fast_droid，那么模型名就是后缀 pi0_fast_droid 。官方Git网站上readme文件的Model Checkpoints章节介绍了基准模型和微调模型，你随便挑一个自己爱的就行了。

下一步，在服务器终端设置环境变量

export HF_ENDPOINT="https://hf-mirror.com" 

模型会自动下载到 ~/.cache/openpi/openpi-assets/checkpoints 路径下，如果你想要修改默认下载路径可以在当前bash中执行以下命令：

export OPENPI_DATA_HOME="your model save path"

我设置的是AutoDL一个约定好的本地目录：/root/autodl-tmp 。

使用命令下载！！！！！！！！

uv run src/download.py

这里放一张大佬的图：想看大佬教程的移步这里。我只完成了最基础的复现工作，大佬做了很多更深入的研究。

把服务端拉起来！！！

上面都对的话现在应该在这里了：

现在把服务端拉起来，启动推理服务(会自动连接到HuggingFace)

export HF_ENDPOINT=https://hf-mirror.com
uv run scripts/serve_policy.py --env LIBERO

如果正常的话现在服务端就起来了，并持续监听8000端口：

这里我建议大家自己去读一下serve_policy.py代码，我也还要研究一下。

四、部署客户端，并下载小视频 ；）

现在我们暂时不用管服务端的终端窗口，new一个新的终端窗口，进入项目所在目录，按顺序输入下面的神秘代码：

 uv venv --python 3.8 examples/libero/.venv
 source examples/libero/.venv/bin/activate

# 此命令下载包较多，可能时间较久
uv pip sync examples/libero/requirements.txt third_party/libero/requirements.txt --extra-index-url https://download.pytorch.org/whl/cu113 --index-strategy=unsafe-best-match
# 下载客户端
uv pip install -e packages/openpi-client
# 下载第三方库
uv pip install -e third_party/libero
# 配置全局环境变量
export PYTHONPATH=SPYTHONPATH:$PWD/third_party/libero
# 如果使用AutoDL这种无图形化界面的云服务，那么需要额外配置ubuntu的图形化必要依赖
apt-get update && apt-get install -y libgl1-mesa-glx libosmesa6-dev libglew-dev patchelf libegl1
# 最后启动客户端
python examples/libero/main.py

按下方红色划线输入指令：

一切正常的话客户端已经在跑了：

最后产生的视频在如下图的目录：

至此复现做完了，但是这只是刚刚开始。继续学习吧！0.0