openpi Docker部署实战一条命令让VLA机器人策略推理跑起来【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi配依赖配到一半JAX、LeRobot、transformers 互相打架终端报错刷了一屏——这是第一次做 openpi 环境搭建时最常见的劝退时刻。openpi 是 Physical Intelligence 团队开源的 VLA视觉-语言-动作机器人策略模型仓库内置 π₀ / π₀-FAST / π₀.₅ 三类模型和预训练权重装好之后你可以在自己的 GPU 上跑策略推理也可以微调出属于自己机械臂的模型。照这篇走完你会得到一台能起 openpi 推理服务、能被客户端连通的机器。一、openpi 装好之后能干什么先对齐预期免得装完不知道拿它做什么。openpi 的工作模式是服务端出动作客户端送观测服务端加载一个 checkpoint模型权重监听 8000 端口收到图像和 prompt 后返回一段动作序列action chunk。客户端可以是仿真器ALOHA 仿真、LIBERO 基准也可以是真实机器人或一个随机生成观测的测试脚本。仓库里同时提供两类权重基座模型适合微调和针对 DROID、ALOHA、LIBERO 平台的专家模型适合直接推理。权重首次运行时会自动下载到~/.cache/openpi缓存不用手动搬运。想直接体验而不接机器人examples/simple_client/ 里的测试客户端就是为此准备的后面验证环节会用到。二、动手前核对系统条件这一步是确认你的机器够不够格避免装到一半发现硬件不达标。openpi 官方只在Ubuntu 22.04上测试过其他系统不在支持范围。GPU 方面按用途对照这张表来自仓库 README 的显存估算用途最低显存参考型号推理 8 GBRTX 4090微调LoRA 22.5 GBRTX 4090全量微调 70 GBA100 80GB / H100# 确认系统版本和 GPU 是否被驱动识别 lsb_release -a nvidia-sminvidia-smi能打印出 GPU 型号和驱动版本说明驱动这一层是通的。⚠️ 显存不够不是死路训练时可以用--fsdp-devices n把模型切到多卡牺牲速度换显存。系统条件确认后下面开始装最省事的那条路Docker。三、两条脚本装好 Docker 和 NVIDIA 容器支持这一步是把宿主机准备妥当让容器既能跑又能摸到 GPU。Docker 负责隔离环境NVIDIA 容器工具包nvidia-container-toolkit负责把宿主机 GPU 暴露给容器——少了后者容器里nvidia-smi就是一张白板。openpi 把这两件事做成了现成脚本直接执行# 安装 Docker 引擎官方源 用户组 开机自启 bash scripts/docker/install_docker_ubuntu22.sh # 安装 NVIDIA 容器工具包并配置 Docker 运行时 bash scripts/docker/install_nvidia_container_toolkit.sh两个注意点都写在 docs/docker.md 里⚠️ Docker 必须是 rootless 模式安装用snap装的 Docker 和 Docker Desktop 都与 NVIDIA 工具包不兼容如果之前装过先sudo snap remove docker或sudo apt remove docker-desktop卸掉。脚本跑完后会提示重启重启一次让 docker 用户组权限生效。四、克隆仓库并构建启动容器这一步是把 openpi 拉下来并让第一个容器跑起来。# 克隆仓库--recurse-submodules 不能省仿真相关代码在子模块里 git clone --recurse-submodules https://gitcode.com/GitHub_Trending/op/openpi cd openpi # 构建镜像并启动推理服务容器首次约 10-20 分钟之后走缓存 docker compose -f scripts/docker/compose.yml up --build这条命令做三件事基于scripts/docker/serve_policy.Dockerfile预装 CUDA 12.2 uv 依赖构建镜像把仓库目录挂载进容器然后执行策略服务脚本。如果你要跑的只是某个示例比如 ALOHA 仿真可以直接用示例自带的编排文件它会把服务端 客户端两个容器一起拉起# 以 aloha_sim 为例一条命令起仿真和策略服务 export SERVER_ARGS--env ALOHA_SIM docker compose -f examples/aloha_sim/compose.yml up --build⚠️ 没有 GPU 的机器上记得把 compose 文件里的deploy.resources.reservations那段注释掉否则容器会因申请不到 GPU 而启动失败。构建完成后终端会挂在服务日志上此时服务应已在 8000 端口监听。接下来验证它真的能干活。五、跑通验证不接机器人先推一次理这一步是确认整条链路——容器、GPU、模型权重——全部就绪。最轻量的验证是 simple_client它随机造一份观测发给服务端并打印推理速率。开两个终端# 终端 1起策略服务默认加载预训练权重首次会自动下载 checkpoint uv run scripts/serve_policy.py --env DROID # 终端 2起测试客户端向服务端要动作 uv run examples/simple_client/main.py --env DROID客户端能持续收到动作并打印推理频率说明环境已经真正跑通。首次运行会自动拉取模型权重耗时取决于网速进度会显示在日志里。容器连不上 GPU 的三步排查如果服务启动时报 CUDA 相关错误按顺序查宿主机上nvidia-smi是否正常输出dpkg -l | grep nvidia-container-toolkit确认工具包已装docker info | grep -i nvidia确认 Docker 已注册 NVIDIA 运行时。三步都过仍报错检查宿主机驱动版本与 CUDA 镜像12.2的兼容性。另有一条官方排障建议系统级 CUDA 库有时反而会造成冲突openpi 依赖的 CUDA 由 uv 在虚拟环境内安装必要时可以卸载系统级 CUDA。验证跑通后剩下的就是遇到报错时怎么自救。六、常见报错对照自救这一步是把新手期最高频的几类错误一次讲清遇到时直接对号入座。现象处理办法uv sync依赖冲突删掉.venv目录重新uv sync再确认uv self update到最新版训练显存不足训练前设置XLA_PYTHON_CLIENT_MEM_FRACTION0.9或加--fsdp-devices多卡分片训练报 norm stats 缺失先跑uv run scripts/compute_norm_stats.py --config-name 你的配置名再训练客户端连不上 8000 端口确认服务端容器在跑、端口未被防火墙拦截容器用的是 host 网络模式端口即宿主机端口CUDA/GPU 报错按上一节三步排查确认不是 snap 版 Docker更多问题可以翻 README 末尾的 Troubleshooting 表它按现象 → 解法组织覆盖面比这里更全。环境稳定之后就可以往里填你自己的任务和模型了。七、跑通之后可以做什么三条由浅入深的路线按需取用换示例玩把examples/aloha_sim/换成 examples/libero/LIBERO 基准评测或examples/droid/DROID 平台推理每个目录的 README 都有独立的一条命令启动方式。微调自己的模型用examples/libero/convert_libero_data_to_lerobot.py把自有数据转成 LeRobot 格式然后在src/openpi/training/config.py里加一个训练配置参考 docs/norm_stats.md 处理归一化统计训练完成后用scripts/serve_policy.py指向新 checkpoint 即可服务。把推理搬到远端模型跑在 GPU 服务器上、机器人端只跑轻量客户端通过 WebSocket 传动作——docs/remote_inference.md 给了完整的部署思路和代码示例这是真实机器人项目最常用的拓扑。如果这篇指南帮你把 openpi 顺利跑起来了欢迎点个收藏下期聊聊用 openpi 微调 LIBERO 模型的完整流程。【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 openpi Docker部署实战：一条命令让VLA机器人策略推理跑起来
openpi Docker部署实战一条命令让VLA机器人策略推理跑起来【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi配依赖配到一半JAX、LeRobot、transformers 互相打架终端报错刷了一屏——这是第一次做 openpi 环境搭建时最常见的劝退时刻。openpi 是 Physical Intelligence 团队开源的 VLA视觉-语言-动作机器人策略模型仓库内置 π₀ / π₀-FAST / π₀.₅ 三类模型和预训练权重装好之后你可以在自己的 GPU 上跑策略推理也可以微调出属于自己机械臂的模型。照这篇走完你会得到一台能起 openpi 推理服务、能被客户端连通的机器。一、openpi 装好之后能干什么先对齐预期免得装完不知道拿它做什么。openpi 的工作模式是服务端出动作客户端送观测服务端加载一个 checkpoint模型权重监听 8000 端口收到图像和 prompt 后返回一段动作序列action chunk。客户端可以是仿真器ALOHA 仿真、LIBERO 基准也可以是真实机器人或一个随机生成观测的测试脚本。仓库里同时提供两类权重基座模型适合微调和针对 DROID、ALOHA、LIBERO 平台的专家模型适合直接推理。权重首次运行时会自动下载到~/.cache/openpi缓存不用手动搬运。想直接体验而不接机器人examples/simple_client/ 里的测试客户端就是为此准备的后面验证环节会用到。二、动手前核对系统条件这一步是确认你的机器够不够格避免装到一半发现硬件不达标。openpi 官方只在Ubuntu 22.04上测试过其他系统不在支持范围。GPU 方面按用途对照这张表来自仓库 README 的显存估算用途最低显存参考型号推理 8 GBRTX 4090微调LoRA 22.5 GBRTX 4090全量微调 70 GBA100 80GB / H100# 确认系统版本和 GPU 是否被驱动识别 lsb_release -a nvidia-sminvidia-smi能打印出 GPU 型号和驱动版本说明驱动这一层是通的。⚠️ 显存不够不是死路训练时可以用--fsdp-devices n把模型切到多卡牺牲速度换显存。系统条件确认后下面开始装最省事的那条路Docker。三、两条脚本装好 Docker 和 NVIDIA 容器支持这一步是把宿主机准备妥当让容器既能跑又能摸到 GPU。Docker 负责隔离环境NVIDIA 容器工具包nvidia-container-toolkit负责把宿主机 GPU 暴露给容器——少了后者容器里nvidia-smi就是一张白板。openpi 把这两件事做成了现成脚本直接执行# 安装 Docker 引擎官方源 用户组 开机自启 bash scripts/docker/install_docker_ubuntu22.sh # 安装 NVIDIA 容器工具包并配置 Docker 运行时 bash scripts/docker/install_nvidia_container_toolkit.sh两个注意点都写在 docs/docker.md 里⚠️ Docker 必须是 rootless 模式安装用snap装的 Docker 和 Docker Desktop 都与 NVIDIA 工具包不兼容如果之前装过先sudo snap remove docker或sudo apt remove docker-desktop卸掉。脚本跑完后会提示重启重启一次让 docker 用户组权限生效。四、克隆仓库并构建启动容器这一步是把 openpi 拉下来并让第一个容器跑起来。# 克隆仓库--recurse-submodules 不能省仿真相关代码在子模块里 git clone --recurse-submodules https://gitcode.com/GitHub_Trending/op/openpi cd openpi # 构建镜像并启动推理服务容器首次约 10-20 分钟之后走缓存 docker compose -f scripts/docker/compose.yml up --build这条命令做三件事基于scripts/docker/serve_policy.Dockerfile预装 CUDA 12.2 uv 依赖构建镜像把仓库目录挂载进容器然后执行策略服务脚本。如果你要跑的只是某个示例比如 ALOHA 仿真可以直接用示例自带的编排文件它会把服务端 客户端两个容器一起拉起# 以 aloha_sim 为例一条命令起仿真和策略服务 export SERVER_ARGS--env ALOHA_SIM docker compose -f examples/aloha_sim/compose.yml up --build⚠️ 没有 GPU 的机器上记得把 compose 文件里的deploy.resources.reservations那段注释掉否则容器会因申请不到 GPU 而启动失败。构建完成后终端会挂在服务日志上此时服务应已在 8000 端口监听。接下来验证它真的能干活。五、跑通验证不接机器人先推一次理这一步是确认整条链路——容器、GPU、模型权重——全部就绪。最轻量的验证是 simple_client它随机造一份观测发给服务端并打印推理速率。开两个终端# 终端 1起策略服务默认加载预训练权重首次会自动下载 checkpoint uv run scripts/serve_policy.py --env DROID # 终端 2起测试客户端向服务端要动作 uv run examples/simple_client/main.py --env DROID客户端能持续收到动作并打印推理频率说明环境已经真正跑通。首次运行会自动拉取模型权重耗时取决于网速进度会显示在日志里。容器连不上 GPU 的三步排查如果服务启动时报 CUDA 相关错误按顺序查宿主机上nvidia-smi是否正常输出dpkg -l | grep nvidia-container-toolkit确认工具包已装docker info | grep -i nvidia确认 Docker 已注册 NVIDIA 运行时。三步都过仍报错检查宿主机驱动版本与 CUDA 镜像12.2的兼容性。另有一条官方排障建议系统级 CUDA 库有时反而会造成冲突openpi 依赖的 CUDA 由 uv 在虚拟环境内安装必要时可以卸载系统级 CUDA。验证跑通后剩下的就是遇到报错时怎么自救。六、常见报错对照自救这一步是把新手期最高频的几类错误一次讲清遇到时直接对号入座。现象处理办法uv sync依赖冲突删掉.venv目录重新uv sync再确认uv self update到最新版训练显存不足训练前设置XLA_PYTHON_CLIENT_MEM_FRACTION0.9或加--fsdp-devices多卡分片训练报 norm stats 缺失先跑uv run scripts/compute_norm_stats.py --config-name 你的配置名再训练客户端连不上 8000 端口确认服务端容器在跑、端口未被防火墙拦截容器用的是 host 网络模式端口即宿主机端口CUDA/GPU 报错按上一节三步排查确认不是 snap 版 Docker更多问题可以翻 README 末尾的 Troubleshooting 表它按现象 → 解法组织覆盖面比这里更全。环境稳定之后就可以往里填你自己的任务和模型了。七、跑通之后可以做什么三条由浅入深的路线按需取用换示例玩把examples/aloha_sim/换成 examples/libero/LIBERO 基准评测或examples/droid/DROID 平台推理每个目录的 README 都有独立的一条命令启动方式。微调自己的模型用examples/libero/convert_libero_data_to_lerobot.py把自有数据转成 LeRobot 格式然后在src/openpi/training/config.py里加一个训练配置参考 docs/norm_stats.md 处理归一化统计训练完成后用scripts/serve_policy.py指向新 checkpoint 即可服务。把推理搬到远端模型跑在 GPU 服务器上、机器人端只跑轻量客户端通过 WebSocket 传动作——docs/remote_inference.md 给了完整的部署思路和代码示例这是真实机器人项目最常用的拓扑。如果这篇指南帮你把 openpi 顺利跑起来了欢迎点个收藏下期聊聊用 openpi 微调 LIBERO 模型的完整流程。【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考