通过百舸平台快速开始 FastWAM 训练

更新时间：2026-07-08

概述

FastWAM 训练加速镜像面向具身智能模型训练场景，预置 FastWAM 训练所需的基础运行环境、依赖组件和性能优化配置，可在百舸 AIHC 平台上快速启动容器并完成数据集、模型权重准备及训练验证。

本文介绍如何使用 FastWAM 训练加速镜像在百舸环境中准备运行环境、下载 BOS 中已缓存的数据集与模型权重，并执行 FastWAM 训练任务。

准备工作

使用前请确认已具备以下条件：

使用上述镜像创建GPU开发机，GPU 最小要求pro6000* 8，创建开发机详见：https://cloud.baidu.com/doc/AIHC/s/Tm6db1z9p
开发机已挂载可读写的持久化存储目录（可挂载 PFS）
已根据平台环境准备好 BOS 下载工具，详见：https://cloud.baidu.com/doc/BOS/s/qjwvyqegc

目录规划

本文以 FastWAM 项目位于 /root/workspace/FastWAM 为例说明。建议将数据集与权重放置到如下目录：

Bash

1/root/workspace/FastWAM
2├── checkpoints/
3│   ├── Wan-AI/
4│   │   ├── Wan2.2-TI2V-5B/
5│   │   └── Wan2.1-T2V-1.3B/
6│   ├── DiffSynth-Studio/
7│   │   └── Wan-Series-Converted-Safetensors/
8│   ├── fastwam_release/
9│   └── ActionDiT_linear_interp_Wan22_alphascale_1024hdim.pt
10└── data/
11    ├── libero_mujoco3.3.2/
12    └── robotwin2.0/

准备数据集

FastWAM 使用的预处理数据集已从外网地址缓存至 BOS。使用时请从 BOS 下载到项目对应目录，避免在训练环境中直接访问外网。

下载 LIBERO 数据集

                Bash
                
            

                cd /root/workspace/FastWAM
mkdir -p data/libero_mujoco3.3.2

bcecmd bos sync \
    bos:/aihc-rdw-bj/huggingface.co/datasets/yuanty/LIBERO-fastwam/ \
    data/libero_mujoco3.3.2/

cd data/libero_mujoco3.3.2
for f in *.tar.gz; do
  tar -xzf "$f"
done
            

解压后的目录结构应包含：

Bash

1data/libero_mujoco3.3.2/
2├── libero_10_no_noops_lerobot/
3├── libero_goal_no_noops_lerobot/
4├── libero_object_no_noops_lerobot/
5└── libero_spatial_no_noops_lerobot/

下载 RoboTwin 数据集

                Bash
                
                cd /root/workspace/FastWAM
mkdir -p data/robotwin2.0

bcecmd bos sync \
    bos:/aihc-rdw-bj/huggingface.co/datasets/yuanty/robotwin2.0-fastwam/ \
    data/robotwin2.0/

cd data/robotwin2.0
cat robotwin2.0.tar.gz.part-* | tar -xzf -

解压后的目录结构应包含：

Bash

1data/robotwin2.0/
2└── robotwin2.0/
3    ├── data/
4    ├── meta/
5    └── videos/

如果根目录下保留了 data/robotwin2.0/dataset_stats.json，可直接作为当前仓库配置中的统计文件使用，也可以根据需要重新计算。

准备模型权重

训练和推理前均需要准备模型权重。相关外网权重已缓存至 BOS，请从 BOS 下载到 checkpoints 目录。

下载权重

                Bash
                
            

                cd /root/workspace/FastWAM
mkdir -p checkpoints/Wan-AI/Wan2.2-TI2V-5B \
         checkpoints/Wan-AI/Wan2.1-T2V-1.3B \
         checkpoints/DiffSynth-Studio/Wan-Series-Converted-Safetensors \
         checkpoints/fastwam_release

bcecmd bos sync \
    bos:/aihc-models-bj/Wan-AI/Wan2.2-TI2V-5B/ \
    checkpoints/Wan-AI/Wan2.2-TI2V-5B/
bcecmd bos sync \
    bos:/aihc-models-bj/Wan-AI/Wan2.1-T2V-1.3B-Diffusers/ \
    checkpoints/Wan-AI/Wan2.1-T2V-1.3B/
bcecmd bos sync \
    bos:/aihc-models-bj/noodlepop/Wan-Series-Converted-Safetensors/ \
    checkpoints/DiffSynth-Studio/Wan-Series-Converted-Safetensors/
bcecmd bos sync \
    bos:/aihc-models-bj/yuanty/fastwam/ \
    checkpoints/fastwam_release/
            

FastWAM release 权重目录下载完成后应包含：

Bash

1checkpoints/fastwam_release/
2├── libero_uncond_2cam224.pt
3├── libero_uncond_2cam224_dataset_stats.json
4├── robotwin_uncond_3cam_384.pt
5└── robotwin_uncond_3cam_384_dataset_stats.json

生成 ActionDiT 主干权重

在训练或推理前，需要预生成 ActionDiT 主干权重。

                Bash
                
            

                cd /root/workspace/FastWAM

mkdir -p checkpoints/Wan-AI/Wan2.1-T2V-1.3B/google

ln -s ../../Wan2.2-TI2V-5B/google/umt5-xxl \
  checkpoints/Wan-AI/Wan2.1-T2V-1.3B/google/umt5-xxl

export DIFFSYNTH_MODEL_BASE_PATH="$(pwd)/checkpoints"
export DIFFSYNTH_SKIP_DOWNLOAD=true

python scripts/preprocess_action_dit_backbone.py \
  --model-config configs/model/fastwam.yaml \
  --output checkpoints/ActionDiT_linear_interp_Wan22_alphascale_1024hdim.pt \
  --device cuda \
  --dtype bfloat16
            

生成后应存在以下文件：

Bash

1/root/workspace/FastWAM/checkpoints/ActionDiT_linear_interp_Wan22_alphascale_1024hdim.pt

启动训练

完成数据集与权重准备后，可执行以下命令启动训练验证：

                Bash
                
            

                cd /root/workspace/FastWAM

export TORCHINDUCTOR_MIX_ORDER_REDUCTION=0
export FASTWAM_SDPA_BACKEND=cudnn
export FASTWAM_CUDNN_BENCHMARK=1

accelerate launch \
  --config_file scripts/accelerate_configs/accelerate_zero2_ds_bucket200m.yaml \
  --num_processes 8 \
  scripts/train.py \
  task=libero_uncond_2cam224_1e-4 batch_size=54 num_workers=12 \
  max_steps=50 log_every=1 eval_every=999999 save_every=999999 \
  seed=42 wandb.enabled=false \
  ++encode_overlap=true ++encode_prefetch_factor=4 \
  ++dataloader_persistent_workers=true \
  ++compile_mot=false ++compile_vae=true ++compile_vae_mode=default
            

训练正常启动后，日志中会出现模型组件加载、数据集解析、ZeRO 优化器初始化及训练 step 输出。例如：

Plain Text

1Loading Wan2.2-TI2V-5B components...
2Finished loading Wan2.2-TI2V-5B components
3Initialized MoT with experts: ['video', 'action']
4Train/val dataset size: ...
5Starting training with max_steps=50
6step=1/50 loss=...

注意事项

本文中的 BOS 路径用于替代 Hugging Face、ModelScope 等外网下载地址，建议在百舸训练环境中优先通过 BOS 获取数据和权重。
示例中的 BOS 下载使用 bcecmd bos sync：先创建目标目录，再将 BOS 路径同步到对应本地目录。
Wan2.1-T2V-1.3B 在 BOS 中的目录名为 Wan2.1-T2V-1.3B-Diffusers，下载到本地后可按项目配置放置到 checkpoints/Wan-AI/Wan2.1-T2V-1.3B。
训练命令中的 --num_processes 8、batch_size=54、num_workers=12 等参数与 GPU 数量、显存规格和数据盘性能相关，可按实际资源规格调整。
若训练时出现模型文件或数据文件找不到的问题，请优先检查本地目录结构是否与本文建议目录一致。

评价此篇文章

有帮助没帮助

通过百舸平台快速开始 WBC-AGILE 训练

AI计算资源

百度智能云

百度百舸 · AI计算平台

百度百舸 · AI计算平台

通过百舸平台快速开始 FastWAM 训练

概述

准备工作

目录规划

准备数据集

下载 LIBERO 数据集

下载 RoboTwin 数据集

准备模型权重

下载权重

生成 ActionDiT 主干权重

启动训练

注意事项