Openvla 7b Oft Finetuned Libero 10

🚀 Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success

このリポジトリには、Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Successで説明されているLIBERO-Long（LIBERO-10とも呼ばれる）用のOpenVLA-OFTチェックポイントが含まれています。OpenVLA-OFTは、最適化されたファインチューニング手法を組み込むことで、ベースのOpenVLAモデルを大幅に改善しています。

プロジェクトページ: https://openvla-oft.github.io/

コード: https://github.com/openvla-oft/openvla-oft

他のOpenVLA-OFTチェックポイントはこちら: https://huggingface.co/moojink?search_models=oft

🚀 クイックスタート

この例では、事前学習済みのOpenVLA-OFTチェックポイントを使用してアクションチャンクを生成する方法を示しています。GitHubのREADMEに記載されている通りにconda環境をセットアップしてください。

import pickle
from experiments.robot.libero.run_libero_eval import GenerateConfig
from experiments.robot.openvla_utils import get_action_head, get_processor, get_proprio_projector, get_vla, get_vla_action
from prismatic.vla.constants import NUM_ACTIONS_CHUNK, PROPRIO_DIM
# Instantiate config (see class GenerateConfig in experiments/robot/libero/run_libero_eval.py for definitions)
cfg = GenerateConfig(
    pretrained_checkpoint = "moojink/openvla-7b-oft-finetuned-libero-spatial",
    use_l1_regression = True,
    use_diffusion = False,
    use_film = False,
    num_images_in_input = 2,
    use_proprio = True,
    load_in_8bit = False,
    load_in_4bit = False,
    center_crop = True,
    num_open_loop_steps = NUM_ACTIONS_CHUNK,
    unnorm_key = "libero_spatial_no_noops",
)
# Load OpenVLA-OFT policy and inputs processor
vla = get_vla(cfg)
processor = get_processor(cfg)
# Load MLP action head to generate continuous actions (via L1 regression)
action_head = get_action_head(cfg, llm_dim=vla.llm_dim)
# Load proprio projector to map proprio to language embedding space
proprio_projector = get_proprio_projector(cfg, llm_dim=vla.llm_dim, proprio_dim=PROPRIO_DIM)

# Load sample observation:
#   observation (dict): {
#     "full_image": primary third-person image,
#     "wrist_image": wrist-mounted camera image,
#     "state": robot proprioceptive state,
#     "task_description": task description,
#   }
with open("experiments/robot/libero/sample_libero_spatial_observation.pkl", "rb") as file:
    observation = pickle.load(file)
# Generate robot action chunk (sequence of future actions)
actions = get_vla_action(cfg, vla, processor, observation, observation["task_description"], action_head, proprio_projector)
print("Generated action chunk:")
for act in actions:
    print(act)

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。

📚 引用

@article{kim2025fine,
  title={Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success},
  author={Kim, Moo Jin and Finn, Chelsea and Liang, Percy},
  journal={arXiv preprint arXiv:2502.19645},
  year={2025}
}