บันทึก, ฝึกฝน และนำไปใช้งานจริง จากที่เดียว ด้วย Strands Agents, LeRobot และ Hugging Face Storage Buckets

บันทึก, ฝึกฝน และนำไปใช้งานจริง จากที่เดียว ด้วย Strands Agents, LeRobot และ Hugging Face Storage Bucketsคุณมีเอเจนต์ที่สามารถบันทึกการสาธิตและส่งไปยัง Hugging Face Hub ได้แล้ว ตอนนี้คุณต้องการให้กระบวนการนี้ทำงานอย่างต่อเนื่อง: รวบรวมข้อมูลจากช่วงเวลาต่างๆ ตลอดทั้งวัน ฝึกฝนโมเดล (policy) จากชุดข้อมูลที่เติบโตขึ้น นำไปใช้งานจริง และดึงชุดข้อมูลถัดไปมาปรับปรุงให้ดียิ่งขึ้น หากทำขั้นตอนนี้เพียงครั้งเดียว ทุกอย่างจะทำงานได้ แต่ถ้าทำทุกวัน คุณจะเริ่มเสียค่าใช้จ่ายในการถ่ายโอนข้อมูลเดิมซ้ำๆ การบันทึกที่คุณอัปโหลดจะเพิ่มขึ้นเรื่อยๆ การฝึกแต่ละครั้งจะคัดลอกชุดข้อมูลทั้งหมดไปยัง GPU ก่อนเริ่มทำงาน และทุกๆ เช็คพอยต์ใหม่จะถูกส่งออกไปพร้อมๆ กับการดึงข้อมูลชุดถัดไปกลับมาโพสต์ก่อนหน้านี้ในซีรีส์นี้ได้แนะนำ Strands Robots ซึ่งเป็น SDK แบบโอเพนซอร์สจาก AWS (Apache 2.0) ที่เปิดเผยการทำงานของหุ่นยนต์ การจำลอง และสแต็ก LeRobot ในรูปแบบ AgentTools ที่คุณสามารถนำมาประกอบกันเป็น Strands agent เดียวกัน โพสต์นั้นได้กล่าวถึง Robot() factory, การบันทึกการสาธิตในการจำลอง, การรัน policy, และการนำโค้ด agent เดียวกันไปใช้งานจริงบนหุ่นยนต์ SO-101 โดย Robot() factory นี้จะค้นหาชื่อเทียบกับ registry ของแขน, หุ่นยนต์ฮิวแมนนอยด์, ฐานเคลื่อนที่ และมือ ทำให้ SO-100 ที่ใช้ในโพสต์นี้เป็นเพียงหนึ่งในรูปแบบที่รองรับหลายรูปแบบ แคตตาล็อกหุ่นยนต์จะแสดงรายการหุ่นยนต์ทั้งหมดที่ factory รู้จัก LeRobot ใช้รูปแบบชุดข้อมูลที่ถูกใช้แล้วมากกว่า 90,000 ชุดข้อมูลและโมเดลบน Hub จากผู้เผยแพร่กว่า 8,000 ราย (LeRobot Project Pulse) การบันทึกของ Strands Robots ก็เป็นหนึ่งในนั้นเช่นกัน ดังนั้น สิ่งใดก็ตามที่ถูกสร้างขึ้นมาเพื่ออ่านข้อมูล LeRobot จะสามารถอ่านข้อมูลนี้ได้โดยไม่ต้องแปลง หากคุณยังใหม่กับ Strands Robots ควรเริ่มต้นจากตรงนั้นก่อน โพสต์นี้จะถือว่าคุณได้ตั้งค่าพื้นฐานเหล่านั้นแล้วโพสต์นั้นได้ติดตาม agent loop ไปในทิศทางเดียว จากชุดข้อมูลบน Hub ไปยังหุ่นยนต์จริง โพสต์นี้จะติดตามข้อมูลในทิศทางตรงกันข้าม จากเฟรมแรกที่บันทึกกลับไปยัง policy ที่นำไปใช้งานจริง ผ่าน Hugging Face Storage Buckets ซึ่งเป็นที่เก็บข้อมูลแบบออบเจกต์ที่สามารถเปลี่ยนแปลงได้ ไม่มีการทำเวอร์ชัน และใช้ Xet เป็นแบ็กเอนด์ ซึ่งประกาศเมื่อเดือนมีนาคม 2026 บัคเก็ตจะอยู่เคียงข้างกับ repository ของชุดข้อมูลของคุณใน namespace hf:// เดียวกัน และใช้ hf CLI ที่คุณมีอยู่แล้ว ดังนั้น มันจะกลายเป็นชั้นการทำงานที่เก็บข้อมูลของคุณตั้งแต่ที่คุณบันทึกไปจนถึงวันที่คุณฝึกฝนใครสักคนต้องตัดสินใจว่าจะเก็บ episode ใดไว้ เมื่อฉากมีการเปลี่ยนแปลงมากพอที่จะต้องบันทึกใหม่ วันนี้มีข้อมูลเพียงพอที่จะฝึกฝนหรือไม่ และเช็คพอยต์ใดที่จะมาแทนที่ตัวที่อยู่บนแขน การตัดสินใจเหล่านี้เกิดขึ้นซ้ำๆ หลายสิบครั้งตลอดการเก็บข้อมูล และแต่ละครั้งต้องการการตรวจสอบสิ่งที่ได้รับกลับมาก่อนที่จะส่งคำสั่งถัดไป นั่นคืองานของ agent โพสต์นี้จะแนะนำคุณตลอด data loop ภายใน agent เดียวกัน: บันทึกการสาธิตลงใน Storage Bucket, จัดเก็บข้อมูลเพื่อให้การซิงค์แต่ละครั้งอัปโหลดเฉพาะไบต์ที่เปลี่ยนแปลง, ฝึกฝนโดยการสตรีมชุดข้อมูลโดยตรงจาก Hub แทนที่จะดาวน์โหลด, และนำเช็คพอยต์ไปใช้งานจริงบนฮาร์ดแวร์ด้วยการเปลี่ยนแปลง keyword argument เพียงเล็กน้อย ส่วนที่สามารถรันได้ของโพสต์นี้อยู่ที่ examples/notebooks/05streamingdata_loop.ipynbในขณะที่โพสต์แรกบันทึกชุดข้อมูลและส่งไปยัง Hub เอเจนต์ที่คุณสร้างขึ้นที่นี่จะบันทึก LeRobotDataset จากข้อความภาษาธรรมชาติ, ซิงค์เข้าไปใน Storage Bucket, และสตรีมชุดข้อมูลเดียวกันนั้นกลับมาทีละเฟรม, ถอดรหัสวิดีโอจากกล้องแบบเรียลไทม์ โดยไม่ต้องคัดลอกข้อมูลมาไว้ที่เครื่อง คุณอ่านมันกลับมาในกระบวนการเดียวกับที่เขียนมัน: Strands Robots Robot() เดียวกันที่บันทึกชุดข้อมูล ก็จะสตรีมข้อมูลนั้นออกมา เช็คพอยต์ที่ฝึกฝนแล้วจะถูกนำไปใช้งานจริงกับ Robot() ตัวเดียวกันด้วยการเปลี่ยนแปลง keyword argument เพียงเล็กน้อย และการสาธิตที่มันบันทึกบนฮาร์ดแวร์จะกลับไปยังบัคเก็ตเดิมรูปที่ 1: สี่ขั้นตอนใช้แบ็กเอนด์เดียวกัน Robot("so100") บันทึก LeRobotDataset ผ่าน DatasetRecorder ที่ใช้ร่วมกัน; syncdatasettobucket(...) ซิงค์เข้าไปใน Storage Bucket; streamdataset(...) อ่านกลับมาผ่าน Hub โดยไม่ต้องดาวน์โหลดทั้งหมด; และเช็คพอยต์ที่ฝึกฝนแล้วจะถูกนำไปใช้งานจริงกับ Robot ตัวเดียวกันด้วยโหมด "real" รูปแบบบนดิสก์ยังคงเหมือนเดิมที่ LeRobot เขียนไว้เนื่องจาก Robot() ตัวเดียวทั้งบันทึกชุดข้อมูลและอ่านกลับมา การรวบรวมข้อมูลและการฝึกฝนจึงเป็นสองเมธอดบนออบเจกต์เดียวผ่านแบ็กเอนด์เดียว เอเจนต์จะตัดสินใจรัน episode และเรียกใช้ tool หนึ่งตัว จากนั้น rollout จะดำเนินต่อไปตามความถี่การควบคุมของหุ่นยนต์จนกว่า episode จะสิ้นสุด โดยมี trained policy เป็นผู้สร้างการกระทำทุกอย่าง วงจรทั้งหมดนี้ทำได้ในไม่กี่บรรทัด:สิ่งที่ตามมาคือสิ่งที่เกิดขึ้นจริงภายในวงจรนั้น ทีละขั้นตอนสิ่งที่ต้องเตรียมก่อนเริ่มPython 3.12+ บน Linux หรือ macOS (รองรับ Apple Silicon สำหรับ MuJoCo backend)ผู้ให้บริการโมเดลที่เข้ากันได้กับ Strands สำหรับการให้เหตุผลของเอเจนต์ เช่น Amazon Bedrock พร้อม AWS credentials, Anthropic API, OpenAI, หรือ Ollama ที่รันบนเครื่องStrands Robots พร้อมส่วนเสริม dataset: uv pip install -U "strands-robots[sim-mujoco,lerobot]>=0.5.1" ส่วนเสริม lerobot จะดึง LeRobot (>=0.6.1), datasets, av, และ torchcodec มาให้ ทำให้การบันทึกและถอดรหัสวิดีโอทำงานได้โดยไม่ต้องตั้งค่าเพิ่มเติม ดูคู่มือการติดตั้งทั้งหมดนี้สามารถรันบนแล็ปท็อปได้ สิ่งที่รันคือ loop ไม่ใช่ policy ที่ใช้งานได้จริง: โดยค่าเริ่มต้นจะใช้ mock policy ซึ่งจะบันทึกชุดข้อมูลที่ถูกต้องแต่ไม่เป็นประโยชน์บัญชี Hugging Face และโทเค็นที่มีสิทธิ์เขียน รวมถึง hf CLI สำหรับสร้างบัคเก็ตและซิงค์ชุดข้อมูล: `pip install -U "huggingface-hub>=1.6.0,https://huggingface.co/blog/amazon/strands-lerobot-streaming-data-loop