Implementaciones en PyTorch de algoritmos de aprendizaje por refuerzo, diseñadas como una base fiable y coherente para la investigación y las aplicaciones.
13,9 mil2,2 milPythonMITActualizado hace 8 días
DLR-RM/rl-baselines3-zoo
Framework de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con hiperparámetros ajustados, agentes preentrenados y scripts de optimización de hiperparámetros.
- Estrellas
- 2,900
- Forks
- 612
- Issues abiertos
- 62
- Último commit
- hace 5 días
¿Qué es?
RL Baselines3 Zoo es un framework de entrenamiento para aprendizaje por refuerzo basado en Stable Baselines3. Incluye scripts de línea de comandos para entrenar y evaluar agentes, ajustar hiperparámetros, generar gráficos de resultados y grabar videos de los agentes.
El proyecto también incluye una colección de hiperparámetros ajustados para entornos y algoritmos comunes, junto con agentes entrenados con esa configuración. Los hiperparámetros se definen por entorno en archivos YAML, de modo que se puede iniciar un entrenamiento con un solo comando, especificando, por ejemplo, el algoritmo y el ID del entorno. Los agentes entrenados se pueden reproducir con un script enjoy, y el repositorio cubre entornos de Atari, control clásico, Box2D, PyBullet, MuJoCo, robótica y MiniGrid.
Entre las integraciones se incluyen Weights & Biases para el seguimiento de experimentos y Hugging Face para almacenar y compartir modelos entrenados. El proyecto está pensado para quienes buscan una forma sencilla de entrenar agentes de RL, comparar algoritmos y reutilizar configuraciones preentrenadas.
Funciones clave
- 01Scripts de línea de comandos para entrenar, evaluar y reproducir agentes
- 02Hiperparámetros ajustados por entorno y algoritmo, definidos en archivos YAML
- 03Herramientas para optimizar hiperparámetros
- 04Agentes preentrenados disponibles en Hugging Face
- 05Integraciones con Weights & Biases y Hugging Face
- 06Scripts para generar gráficos de los resultados del entrenamiento
Casos de uso
- Entrenar agentes de RL en entornos Gym o PyBullet sin tener que escribir código repetitivo
- Comparar distintos algoritmos de RL en las mismas tareas
- Buscar buenos hiperparámetros para un entorno nuevo
- Reutilizar agentes preentrenados para observar o evaluar políticas
Inicio rápido
- 1
Instala el paquete rl_zoo3 desde PyPI
pip install rl_zoo3 - 2
Entrena un agente SAC en HalfCheetahBulletEnv-v0 con evaluaciones periódicas (ejecuta el comando desde el repositorio clonado)
python train.py --algo sac --env HalfCheetahBulletEnv-v0 --eval-freq 10000 --eval-episodes 10 --n-eval-envs 1
Antes de usarlo
- La instalación completa requiere paquetes del sistema como swig, cmake y ffmpeg.
- El README advierte que pybullet puede no compilarse en macOS sin una solución alternativa especial para CFLAGS.
- Los resultados de las pruebas proceden de ejecuciones únicas, por lo que no constituyen un benchmark cuantitativo.
Temas
Preguntas frecuentes
- ¿Qué es rl-baselines3-zoo?
- Framework de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con hiperparámetros ajustados, agentes preentrenados y scripts de optimización de hiperparámetros. RL Baselines3 Zoo es un framework de entrenamiento para aprendizaje por refuerzo basado en Stable Baselines3. Incluye scripts de línea de comandos para entrenar y evaluar agentes, ajustar hiperparámetros, generar gráficos de resultados y grabar videos de los agentes.
- ¿rl-baselines3-zoo es gratuito? ¿Qué licencia tiene?
- rl-baselines3-zoo es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿rl-baselines3-zoo sigue mantenido?
- Mantenimiento activo. El último commit de rl-baselines3-zoo fue el 16 oct 2026.
- ¿Para qué puedo usar rl-baselines3-zoo?
- Entrenar agentes de RL en entornos Gym o PyBullet sin tener que escribir código repetitivo Comparar distintos algoritmos de RL en las mismas tareas Buscar buenos hiperparámetros para un entorno nuevo Reutilizar agentes preentrenados para observar o evaluar políticas
- ¿Cómo se instala rl-baselines3-zoo?
- Instala el paquete rl_zoo3 desde PyPI: pip install rl_zoo3 Entrena un agente SAC en HalfCheetahBulletEnv-v0 con evaluaciones periódicas (ejecuta el comando desde el repositorio clonado): python train.py --algo sac --env HalfCheetahBulletEnv-v0 --eval-freq 10000 --eval-episodes 10 --n-eval-envs 1
- ¿Dónde consigo rl-baselines3-zoo?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/DLR-RM/rl-baselines3-zoo
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Framework de Python de código abierto para aplicar deep reinforcement learning al trading automatizado de acciones y a tareas de gestión de portafolios.
IA y Machine Learning#reinforcement-learning#algorithmic-trading#finance#stock-trading#quantitative-finance
16,8 mil3,6 milJupyter NotebookMITActualizado ayer
Modelos VLA de robótica de código abierto de Physical Intelligence, con checkpoints preentrenados y ejemplos de fine-tuning.
14,3 mil2,6 milPythonApache-2.0Actualizado hace 2 meses
Una API estándar de Python para entornos de aprendizaje por refuerzo de un solo agente, junto con entornos de referencia; es una bifurcación de Gym de OpenAI.
12,7 mil1,5 milPythonMITActualizado hace 7 días
Mamba es una arquitectura de modelado de secuencias para PyTorch basada en modelos selectivos de espacio de estados, que ofrece una alternativa a los Transformers con complejidad lineal para tareas de lenguaje y otras secuencias.
18,9 mil1,8 milPythonApache-2.0Actualizado hace 3 meses
Pipeline desde cero de preentrenamiento y SFT para un modelo pequeño de estilo LLaMA2 en chino, ejecutable en una sola GPU de 24 GB.
2,9 mil354PythonMITActualizado hace 2 meses