openpi的开源提供了基于libero数据集微调模型的方法，但光靠上面的指令，还是有很多地方需要调整，避免走坑。

一.lerobot数据集

        可以按照官方提供的方法，首先下载原始libero数据集，然后再转换为lerobot数据集。也可以直接下载转换后的lerobot数据集。

方法一：

        使用huggingface-cli下载数据集。首先安装huggingface_hub，然后登录huggingface-cli。

pip install huggingface_hub
huggingface-cli login

这时会让你输入token，这里进入huggingface官方网站，创建一个token，复制进去就行。

然后运行下述指令下载数据集，注意--repo-type dataset这个参数，下载数据集需要加上，下载模型就不用。--local-dir后面跟自己的路径。更多用法可以参考这里。

huggingface-cli download --repo-type dataset openvla/modified_libero_rlds --local-dir /yourpath

下载完成后，在项目文件夹开启终端运行

uv run examples/libero/convert_libero_data_to_lerobot.py --data_dir /path/to/your/libero/data

也可以修改代码中REPO_NAME的值，保存在自己的文件夹之中。

方法二：

        这里我操作到后面才发现openpi已经把转换后的数据提交到了huggingface上，直接运行

huggingface-cli download --repo-type dataset physical-intelligence/libero --local-dir /yourpath

二.定义训练配置并运行训练

        这里主要修改src/openpi/training/config.py文件。找到trainconfig里name为pi0_fast_libero的代码，将local_files_only修改为True，只加载本地数据集，不然在服务器上也要重新下载。后面的checkpoints也可以修改为自己的路径。

        注意，重要的来了，我这里运行一直提示No such file or directory: '/root/.cache/huggingface/lerobot/physical-intelligence/libero/meta/info.json。因为在服务器上root路径的空间很少，不足以放30G的数据，所以我想改路径。刚开始我是认为修改$HF_HOME的地址，于是我输入export HF_HOME="/hy-tmp"，然后运行还是出现同样的错误。我翻遍了config.py,compute_norm_stats.py和compute_norm_stats.py，还是没有找到路径修改的方法。

        到后面我查看步骤一里面的convert_libero_data_to_lerobot.py代码，发现from lerobot.common.datasets.lerobot_dataset import LEROBOT_HOME里面有个路径LEROBOT_HOME，也对应了为什么physical-intelligence/libero前面有个lerobot，然后我查看该路径，也没有指向任何值，后面修改LEROBOT_HOME的路径，果然就是这个东西在作祟。

export LEROBOT_HOME="/yourpath"

        然后就可以运行，在此之前还需要更改HF_HOME的环境变量，否则运行下面的代码，会生成同样的数据在/root/.cache/huggingface路径下。

export HF_HOME="/yourpath"

uv run scripts/compute_norm_stats.py --config-name pi0_fast_libero

最后可以开始训练

---更新3.22---

        更改参数设置，这里微调需要的显存如下。

        一个batch_size需要的显存就需要22.5GB，我这里有两个4090，batch_size的大小我设置为2，微调时显存占用为45G左右。同时需要更改trainconfig的参数。(这里不用更改，其实下面的pi0_fast_libero_low_mem_finetune提供了lora微调的版本）

model=pi0_fast.Pi0FASTConfig(action_dim=7, action_horizon=10, max_token_len=180, paligemma_variant="gemma_2b_lora"),

         上面的trainconfig有参考，可以根据上面的修改。主要pi0_fast.py的下面没用到action_expert_variant。再在后面添加这行代码。

freeze_filter=pi0_fast.Pi0FASTConfig(
            paligemma_variant="gemma_2b_lora"
        ).get_freeze_filter(),
        # Turn off EMA for LoRA finetuning.
        ema_decay=None,

         lora微调的设置就成功了，如果有大显存也可以不修改这里。然后运行

XLA_PYTHON_CLIENT_MEM_FRACTION=0.9 uv run scripts/train.py pi0_fast_libero --exp-name=my_experiment --overwrite

我这里设置40000步，大概需要10个小时。

三.启动策略服务器并进行推理

---3.24更新---

        首先下载libero数据集（原版的，这里感觉好混乱，已经下载了两个libero数据集了），可以选择性下载，我这里下载了两个libero_10和libero_spatial， --include后面跟文件夹名称。

huggingface-cli download --repo-type dataset yifengzhu-hf/LIBERO-datasets --local-dir /hy-tmp/huggingface/libero-datasets/datasets/ --include "libero_spatial/"

        根据openpi提供的示例，先安装依赖。

# Create virtual environment
uv venv --python 3.8 examples/libero/.venv
source examples/libero/.venv/bin/activate
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
uv pip install -e packages/openpi-client
uv pip install -e third_party/libero
export PYTHONPATH=$PYTHONPATH:$PWD/third_party/libero

# Run the simulation
python examples/libero/main.py

后面的程序先不要运行。先修改scripts/serve_policy.py文件，主要修改点就是下面的几行代码。我这里num_trials_per_task: int = 3，提供的是50，但是推理一次libero_10需要10分钟。10个任务，每个任务推理50次，大概就需要100小时，太漫长了。

        先启动服务，我这里使用迭代39999的检查点。之前训练时设置的num_train_steps。

uv run scripts/serve_policy.py policy:checkpoint --policy.config=pi0_fast_libero --policy.dir=/hy-tmp/checkpoints/pi0_fast_libero/my_experiment/39999

 终端输出INFO:websockets.server:server listening on 0.0.0.0:8000就启动成功了，然后在另一个终端运行上面的main函数。

python examples/libero/main.py

成功运行，总体大概需要2小时。

如果运行main函数提示AttributeError: 'NoneType' object has no attribute 'eglQueryString'。则运行

sudo apt update
sudo apt install -y libegl1 libegl1-mesa libgles2-mesa-dev libgl1-mesa-glx