NVIDIA Cosmos-Predict2项目：AgiBot鱼眼视频到世界模型的迁移训练指南

概述

本文详细介绍如何在NVIDIA Cosmos-Predict2项目中使用Video2World模型对AgiBotWorld-Alpha数据集进行迁移训练（post-training）。通过本教程，您将掌握从数据准备到模型训练再到推理应用的完整流程，特别针对鱼眼相机采集的机器人操作视频数据。

环境准备

在开始训练前，需要确保满足以下条件：

1. 软件环境：完成基础环境的配置，包括Python环境、CUDA工具链和必要的深度学习框架
2. 模型权重：获取预训练的Video2World模型检查点文件
3. 硬件要求：建议使用高性能GPU集群，特别是对于14B参数的大模型

数据准备

1.1 获取AgiBotWorld-Alpha数据集

我们使用AgiBotWorld-Alpha数据集的子集作为示例，该数据集包含机器人操作场景的鱼眼相机视频：

1. 获取数据集访问权限并完成用户认证
2. 接受AgiBot World社区许可协议
3. 下载特定任务编号（如task 327）的数据

数据集下载和处理完成后，目录结构如下：

agibot_head_center_fisheye_color/
├── train/       # 训练集
│   ├── metas/   # 元数据
│   ├── videos/  # 视频文件
└── val/         # 验证集
    ├── metas/
    ├── videos/

1.2 数据预处理

为视频描述文本生成T5-XXL嵌入表示：

# 为训练集生成嵌入
PYTHONPATH=$(pwd) python scripts/get_t5_embeddings.py --dataset_path datasets/agibot_head_center_fisheye_color/train

# 为验证集生成嵌入
PYTHONPATH=$(pwd) python scripts/get_t5_embeddings.py --dataset_path datasets/agibot_head_center_fisheye_color/val

预处理完成后，数据集目录会增加t5_xxl子目录，包含所有视频描述的嵌入文件。

模型训练

2.1 2B参数模型训练

执行以下命令启动2B参数模型的迁移训练：

EXP=predict2_video2world_training_2b_agibot_head_center_fisheye_color
torchrun --nproc_per_node=8 --master_port=12341 -m scripts.train \
  --config=cosmos_predict2/configs/base/config.py --experiment=${EXP}

关键配置说明：

• 使用8个GPU进行数据并行训练
• 训练数据来自agibot_head_center_fisheye_color数据集
• 检查点保存在指定目录结构中

2.2 14B参数模型训练

对于更大的14B参数模型，需要更多计算资源：

EXP=predict2_video2world_training_14b_agibot_head_center_fisheye_color
torchrun --nproc_per_node=8 --nnodes=4 --rdzv_id 123 --rdzv_backend c10d \
  --rdzv_endpoint $MASTER_ADDR:1234 -m scripts.train \
  --config=cosmos_predict2/configs/base/config.py --experiment=${EXP}

训练选项：

• 使用4个节点，每个节点8个GPU（共32个GPU）
• 支持LoRA（Low-Rank Adaptation）训练方式，可减少显存占用

2.3 训练性能参考

不同硬件上的训练迭代速度对比：

GPU型号	2B模型迭代时间	14B模型迭代时间
NVIDIA B200	6.05秒	6.27秒
NVIDIA H100	10.07秒	8.72秒
NVIDIA A100	22.5秒	22.14秒

注意：在Blackwell架构GPU上训练时，需要特别设置注意力机制后端。

模型推理

3.1 使用训练好的模型生成视频

以2B模型为例，使用迁移训练后的检查点进行推理：

PROMPT="视频展示了一个人形机器人在超市环境中从货架上拿取香菇的场景..."

CUDA_HOME=$CONDA_PREFIX PYTHONPATH=$(pwd) python examples/video2world.py \
  --model_size 2B \
  --dit_path "checkpoints/.../iter_000001000.pt" \
  --prompt "${PROMPT}" \
  --input_path "datasets/.../val/task_327_...mp4" \
  --num_conditional_frames 1 \
  --save_path results/generated_video_2b.mp4

参数说明：

• model_size: 指定模型规模（2B或14B）
• dit_path: 训练好的检查点路径
• prompt: 描述生成场景的文本
• input_path: 条件视频路径
• num_conditional_frames: 使用的条件帧数

总结

本文详细介绍了在Cosmos-Predict2项目中对Video2World模型进行迁移训练的完整流程。通过使用AgiBotWorld-Alpha数据集，特别是鱼眼相机采集的机器人操作视频，可以显著提升模型在特定领域的表现。无论是2B还是14B参数的模型，都提供了完整的训练和推理方案，用户可以根据自身硬件条件选择合适的模型规模。