Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Commencez à utiliser AWS DeepRacer
Pour commencer à utiliser AWS DeepRacer, examinons d'abord les étapes d'utilisation de la DeepRacer console AWS pour configurer un agent doté de capteurs adaptés à vos besoins en matière de conduite autonome, pour former un modèle d'apprentissage par renforcement pour l'agent doté des capteurs spécifiés et pour évaluer le modèle entraîné afin de déterminer la qualité du modèle. Une fois que vous avez entraîné votre modèle, vous pouvez le modifier et le soumettre à une course.
**Topics**
+ [Formez votre premier DeepRacer modèle AWS](deepracer-get-started-training-model.md)
+ [Évaluez vos DeepRacer modèles AWS dans le cadre d'une simulation](deepracer-get-started-test-in-simulator.md)
# Formez votre premier DeepRacer modèle AWS
Cette présentation explique comment entraîner votre premier modèle à l'aide de la DeepRacer console AWS.
## Formez un modèle d'apprentissage par renforcement à l'aide de la DeepRacer console AWS
Découvrez où se trouve le bouton **Créer un modèle** dans la DeepRacer console AWS pour commencer votre parcours de formation aux modèles.
**Pour former un modèle d'apprentissage par renforcement**
1. Si c'est la première fois que vous utilisez AWS DeepRacer, choisissez **Create model** sur la page d'accueil du service ou sélectionnez **Get started** sous le titre **Reinforcement learning** dans le volet de navigation principal.
1. Sur la page **Commencer l'apprentissage par renforcement**, sous **Étape 2 : créer un modèle**, choisissez **Créer un modèle**.
Vous pouvez également choisir **Vos modèles** sous le titre **Apprentissage par renforcement** dans le volet de navigation principal. Sur la page **Vos modèles**, choisissez **Créer un modèle**.
## Spécifiez le nom du modèle et l'environnement
Donnez un nom à votre modèle et apprenez à choisir la piste de simulation qui vous convient.
**Pour spécifier le nom du modèle et l'environnement**
1. Sur la page **Créer un modèle**, sous **Détails de la formation**, entrez le nom de votre modèle.
1. Ajoutez éventuellement une description du poste de formation.
1. Pour en savoir plus sur l'ajout de balises facultatives, consultez[Identification](deepracer-tagging.md).
1. Sous **Simulation d'environnement**, choisissez une piste qui servira d'environnement de formation à votre DeepRacer agent AWS. Sous Direction de **la piste, choisissez dans le sens** des **aiguilles d'une montre** ou dans le sens **antihoraire**. Ensuite, choisissez **Suivant**.
Pour votre première course, choisissez une piste avec une forme simple et des virages lisses. Dans les itérations ultérieures, vous pourrez choisir des pistes plus complexes afin d'améliorer progressivement vos modèles. Pour former un modèle pour une course particulière, choisissez la piste qui s'en rapproche le plus.
1. Choisissez **Next** au bas de la page.
## Choisissez un type de course et un algorithme d'entraînement
La DeepRacer console AWS propose trois types de courses et deux algorithmes d'entraînement parmi lesquels choisir. Découvrez ceux qui conviennent à votre niveau de compétence et à vos objectifs d'entraînement.
**Pour choisir un type de course et un algorithme d'entraînement**
1. Sur la page **Créer un modèle**, sous **Type de course**, sélectionnez **Contre-la-montre**, **Évitement d'objets** ou **ead-to-botH.**
Pour votre première course, nous vous recommandons de choisir **Time Trial**. Pour obtenir des conseils sur l'optimisation de la configuration des capteurs de votre agent pour ce type de course, consultez[Personnalisez la DeepRacer formation AWS pour les contre-la-montre](deepracer-choose-race-type.md#deepracer-get-started-training-simple-time-trial).
1. Éventuellement, lors des courses ultérieures, choisissez **l'option Évitement d'objets** pour contourner les obstacles fixes placés à des endroits fixes ou aléatoires le long de la piste choisie. Pour de plus amples informations, veuillez consulter [Personnalisez la DeepRacer formation AWS pour les courses d'évitement d'objets](deepracer-choose-race-type.md#deepracer-get-started-training-object-avoidance).
1. Choisissez **Emplacement fixe** pour générer des cases à des emplacements fixes désignés par l'utilisateur sur les deux voies de la piste ou sélectionnez **Emplacement aléatoire** pour générer des objets répartis aléatoirement sur les deux voies au début de chaque épisode de votre simulation d'entraînement.
1. Choisissez ensuite une valeur pour le **nombre d'objets sur une piste**.
1. Si vous avez choisi **Position fixe**, vous pouvez ajuster le placement de chaque objet sur la piste. Pour le **placement des voies**, choisissez entre la voie intérieure et la voie extérieure. Par défaut, les objets sont répartis uniformément sur la piste. Pour modifier la distance entre la ligne de départ et la ligne d'arrivée d'un objet, entrez un pourcentage de cette distance entre 7 et 90 dans le champ **Emplacement (%) entre le début et la fin**.
1. En option, pour les courses plus ambitieuses, choisissez la **Head-to-bot course** pour affronter jusqu'à quatre véhicules robots se déplaçant à vitesse constante. Pour en savoir plus, veuillez consulter la section [Personnalisez l' DeepRacer entraînement AWS pour les head-to-bot courses](deepracer-choose-race-type.md#deepracer-get-started-training-h2h-racing).
1. Sous **Choisissez le nombre de véhicules de robots**, sélectionnez le nombre de véhicules de robots que vous souhaitez que votre agent entraîne.
1. Ensuite, choisissez la vitesse en millimètres par seconde à laquelle vous souhaitez que les robots circulent sur la piste.
1. Cochez éventuellement la case **Activer les changements de voie** pour permettre aux véhicules du bot de changer de voie de manière aléatoire toutes les 1 à 5 secondes.
1. Sous **Algorithme d'entraînement et hyperparamètres**, choisissez l'algorithme **Soft Actor Critic (SAC)** ou **Proximal Policy Optimization (PPO)**. Dans la DeepRacer console AWS, les modèles SAC doivent être entraînés dans des espaces d'action continue. Les modèles PPO peuvent être entraînés dans des espaces d'action continus ou discrets.
1. Sous **Algorithme d'apprentissage et hyperparamètres**, utilisez les valeurs d'hyperparamètres par défaut telles quelles.
Par la suite, pour améliorer les performances de la formation, développez **Hyperparameters (Hyperparamètres)** et modifiez les valeurs d'hyperparamètre par défaut comme suit :
1. Pour **Gradient descent batch size (Taille de lot pour la descente de gradient)**, choisissez [parmi les options disponibles](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Number of epochs (Nombre d'époques)**, définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Learning rate (Taux d'apprentissage)**, définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **la valeur alpha** du SAC (algorithme SAC uniquement), définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Entropy (Entropie)**, définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Discount factor (Facteur d'actualisation)**, définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Loss type (Type de perte)**, choisissez [parmi les options disponibles](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Pour **Number of experience episodes between each policy-updating iteration (Nombre d'épisodes d'expérience entre chaque itération de mise à jour de politique)**, définissez une [valeur valide](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
Pour de amples informations sur les hyperparamètres, veuillez consulter [Régler systématiquement les hyperparamètres](deepracer-console-train-evaluate-models.md#deepracer-iteratively-adjust-hyperparameters).
1. Choisissez **Suivant**.
## Définissez l'espace d'action
Sur la page **Définir un espace d'action**, si vous avez choisi de vous entraîner avec l'algorithme Soft Actor Critic (SAC), votre espace d'action par défaut est l'espace d'action continu. Si vous avez choisi de vous entraîner avec l'algorithme d'optimisation des politiques proximales (PPO), choisissez entre un **espace d'action continu et un espace** **d'action discret**. Pour en savoir plus sur la façon dont chaque espace d'action et chaque algorithme façonnent l'expérience d'entraînement de l'agent, voir[Espace DeepRacer d'action AWS et fonction de récompense](deepracer-how-it-works-action-space.md).
### Pour définir un espace d'action continu (algorithmes SAC ou PPO)
1. Sous **Définir un espace d'action continu**, choisissez les degrés de votre plage d'**angle de braquage gauche et de votre plage** d'**angle de braquage droit**.
Essayez de saisir différents degrés pour chaque plage d'angles de braquage et observez la visualisation de l'évolution de votre plage pour représenter vos choix sur le **graphique sectoriel dynamique**.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-dynamic-sector-graph.png)
1. Sous **Vitesse**, entrez la vitesse minimale et maximale de votre agent en millimètres par seconde.
Remarquez comment vos modifications sont reflétées sur le **graphique sectoriel dynamique**.
1. Vous pouvez éventuellement choisir **Rétablir les valeurs par défaut** pour supprimer les valeurs indésirables. Nous vous encourageons à essayer différentes valeurs sur le graphique pour expérimenter et apprendre.
1. Choisissez **Suivant**.
### Pour définir un espace d'action discret (algorithme PPO uniquement)
1. Choisissez une valeur pour la **granularité de l'angle de braquage** dans la liste déroulante.
1. Choisissez une valeur en degrés comprise entre 1 et 30 pour l'**angle de braquage maximal** de votre agent.
1. Choisissez une valeur pour la **granularité de la vitesse** dans la liste déroulante.
1. Choisissez une valeur en millimètres par seconde comprise entre 0,1 et 4 pour la **vitesse maximale** de votre agent.
1. Utilisez les paramètres d'action par défaut de la **liste d'actions** ou, éventuellement, activez la **configuration avancée** pour affiner vos paramètres. Si vous choisissez **Précédent** ou si vous désactivez la **configuration avancée** après avoir ajusté les valeurs, vous perdez vos modifications.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-advanced-configuration-toggle.png)
1. Entrez une valeur en degrés comprise entre -30 et 30 dans la colonne **Angle de braquage**.
1. Entrez une valeur comprise entre 0,1 et 4 en millimètres par seconde pour un maximum de neuf actions dans la colonne **Vitesse**.
1. Vous pouvez éventuellement sélectionner **Ajouter une action** pour augmenter le nombre de lignes de la liste d'actions.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-add-an-action.png)
1. Vous pouvez éventuellement sélectionner **X** sur une ligne pour la supprimer.
1. Choisissez **Suivant**.
## Choisissez une voiture virtuelle
Découvrez comment démarrer avec les voitures virtuelles. Gagnez de nouvelles voitures personnalisées, des travaux de peinture et des modifications en participant à l'Open Division chaque mois.
**Pour choisir une voiture virtuelle**
1. Sur la page de **configuration de la coque et du capteur du véhicule**, choisissez une coque compatible avec votre type de course et votre espace d'action. Si vous n'avez pas de voiture correspondant dans votre garage, rendez-vous dans **Votre garage** sous la rubrique **Apprentissage par renforcement** du volet de navigation principal pour en créer une.
Pour l'entraînement **contre la montre**, vous DeepRacer n'avez besoin que de la configuration par défaut du capteur et de **l'appareil photo à objectif unique de The Original**, mais toutes les autres configurations de coques et de capteurs fonctionnent tant que l'espace d'action correspond. Pour de plus amples informations, veuillez consulter [Personnalisez la DeepRacer formation AWS pour les contre-la-montre](deepracer-choose-race-type.md#deepracer-get-started-training-simple-time-trial).
Pour **l'entraînement à l'évitement d'objets**, les caméras stéréo sont utiles, mais une seule caméra peut également être utilisée pour éviter les obstacles stationnaires dans des endroits fixes. Un capteur LiDAR est optionnel. Consultez [Espace DeepRacer d'action AWS et fonction de récompense](deepracer-how-it-works-action-space.md).
Pour l'ead-to-botentraînement **H**, en plus d'une caméra unique ou d'une caméra stéréo, une unité LiDAR est idéale pour détecter et éviter les angles morts lorsque vous dépassez d'autres véhicules en mouvement. Pour en savoir plus, veuillez consulter la section [Personnalisez l' DeepRacer entraînement AWS pour les head-to-bot courses](deepracer-choose-race-type.md#deepracer-get-started-training-h2h-racing).
1. Choisissez **Suivant**.
## Personnalisez votre fonction de récompense
La fonction de récompense est au cœur de l'apprentissage par renforcement. Apprenez à l'utiliser pour inciter votre voiture (agent) à prendre des mesures spécifiques lorsqu'elle explore la piste (environnement). Tout comme encourager ou décourager certains comportements chez un animal de compagnie, vous pouvez utiliser cet outil pour encourager votre voiture à terminer un tour le plus vite possible et la dissuader de sortir de la piste ou d'entrer en collision avec des objets.
**Pour personnaliser votre fonction de récompense**
1. Sur la page **Create model (Créer un modèle)** sous **Reward function (Fonction de récompense)**, utilisez l'exemple de fonction de récompense par défaut tel quel pour votre premier modèle.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-reward-function-example-editor.png)
Ultérieurement, vous pourrez choisir **Reward function examples (Exemples de fonction de récompense)** pour sélectionner un autre exemple de fonction, puis choisir **Use code (Utiliser le code)** pour accepter la fonction de récompense sélectionnée.
Il existe quatre exemples de fonctions avec lesquels vous pouvez commencer. Ils montrent comment suivre le centre de la piste (par défaut), comment maintenir l'agent à l'intérieur des limites de la piste, comment empêcher la conduite en zigzag et comment éviter de percuter des obstacles immobiles ou d'autres véhicules en mouvement.
Pour en savoir plus sur la fonction de récompense, consultez [Référence de la fonction de DeepRacer récompense AWS](deepracer-reward-function-reference.md).
1. Dans **Conditions d'arrêt**, laissez la valeur de **durée maximale** par défaut telle quelle, ou définissez une nouvelle valeur pour mettre fin à la tâche de formation, afin d'éviter des tâches de formation de longue durée (et éventuellement des interruptions).
Lorsque vous expérimentez lors de la phase initiale de la formation, vous devez commencer avec une valeur faible pour ce paramètre, puis laisser progressivement une tâche de formation durer plus longtemps.
1. Dans **Soumettre automatiquement à l'AWS DeepRacer**, la case **Soumettre DeepRacer automatiquement ce modèle à l'AWS une fois la formation terminée et avoir une chance de gagner des prix** est cochée par défaut. Vous pouvez éventuellement choisir de ne pas saisir votre modèle en cochant la case.
1. Selon **les exigences de la Ligue**, sélectionnez votre **pays de résidence** et acceptez les termes et conditions en cochant la case.
1. Choisissez **Create model** pour commencer à créer le modèle et à provisionner l'instance de tâche de formation.
1. Après la soumission, surveillez l'initialisation de votre tâche de formation, puis exécutez-la.
Le processus d'initialisation prend quelques minutes pour passer de **Initialisation** à **En** cours.
1. Regardez le **graphique de récompense** et le **flux vidéo Simulation** pour observer l'avancement de votre tâche de formation. Vous pouvez cliquer périodiquement sur le bouton d'actualisation en regard du **Reward graph (Graphe de récompense)** pour actualiser le **Reward graph (Graphe de récompense)** jusqu'à ce que la tâche de formation soit terminée.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-training-in-progress.png)
La tâche de formation s'exécute AWS dans le cloud, il n'est donc pas nécessaire de garder la DeepRacer console AWS ouverte. Vous pouvez toujours revenir sur la console pour vérifier l'état de votre modèle à tout moment pendant que le travail est en cours.
Si la fenêtre du **flux vidéo de simulation** ou l'affichage du **graphique des récompenses** ne répondent plus, actualisez la page du navigateur pour mettre à jour la progression de l'entraînement.
# Évaluez vos DeepRacer modèles AWS dans le cadre d'une simulation
Une fois votre tâche de formation terminée, vous devez évaluer le modèle formé pour évaluer son comportement de convergence. L'évaluation se fait en effectuant un certain nombre d'essais sur une voie choisie et en faisant bouger l'agent sur la voie en fonction d'actions probables déduites par le modèle formé. Les métriques de performance comprennent un pourcentage d'achèvement de la piste et le temps de parcours sur chaque piste du début à la fin ou avant de quitter la piste.
Pour évaluer votre modèle entraîné, vous pouvez utiliser la DeepRacer console AWS. Pour ce faire, suivez les étapes décrites dans cette rubrique.
**Pour évaluer un modèle entraîné dans la DeepRacer console AWS**
1. Ouvrez la DeepRacer console AWS à l'adresse https://console.aws.amazon.com /deepracer.
1. Dans le panneau de navigation principal, choisissez **Models (Modèles)**, puis choisissez le modèle que vous venez de former dans la liste **Models (Modèles)** pour ouvrir la page des détails du modèle.
1. Sélectionnez l'onglet **Evaluation**.
1. Dans **Détails de l'évaluation**, choisissez **Commencer l'évaluation**.
![\[Evaluation details section showing training complete message and option to start evaluation.\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/evaluation_details_start.png)
Vous pouvez démarrer une évaluation une fois que le statut de votre tâche de formation passe à **Completed (Terminé)** ou que le statut du modèle passe à **Ready (Prêt)** si la tâche de formation n'a pas été terminée.
Un modèle est prêt lorsque la tâche de formation est terminée. Si la formation n'a pas été terminée, le modèle peut également être à l'état **Ready (Prêt)** si le modèle a été formé jusqu'au moment de l'échec.
1. Sur la page **Évaluer le modèle**, sous **Type de course**, entrez le nom de votre évaluation, puis choisissez le type de course que vous avez choisi pour entraîner le modèle.
Pour l'évaluation, vous pouvez choisir un type de course différent du type de course utilisé lors de la formation. Par exemple, vous pouvez entraîner un modèle pour les head-to-bot courses, puis l'évaluer pour les contre-la-montre. En général, le modèle doit se généraliser correctement si le type de course de la formation diffère de celui de l'évaluation. Pour votre première course, vous devez utiliser le même type de course pour l'évaluation et la formation.
1. Sur la page **Evaluer le modèle**, sous **Evaluer les critères**, choisissez le nombre d'essais que vous souhaitez exécuter, puis choisissez une piste sur laquelle évaluer le modèle.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/evaluation_select_track.png)
En général, vous choisissez une piste identique ou similaire à celle que vous avez utilisée lors de la [formation du modèle](deepracer-get-started-training-model.md#deepracer-get-started-train-model-proc). Vous pouvez choisir n'importe quelle piste pour évaluer votre modèle. Vous obtiendrez toutefois les meilleures performances sur une piste très similaire à celle utilisée lors de la formation.
Pour voir si votre modèle se généralise correctement, choisissez une piste d'évaluation différente de celle utilisée lors de la formation.
1. Sur la page **Evaluate model (Évaluer le modèle)**, sous **Virtual Race Submission (Soumission de course virtuelle)**, pour votre premier modèle, désactivez l'option **Submit model after evaluation (Soumettre le modèle après évaluation)**. Plus tard, si vous souhaitez participer à un événement de course, laissez cette option activée.
![\[Virtual race submission section with options for submitting a model for evaluation.\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/deepracer-get-started-evaluate-virtual-race-submit.png)
1. Sur la page **Evaluate model (Évaluer le modèle)**, choisissez **Start evaluation (Démarrer l'évaluation)** pour commencer la création et l'initialisation de la tâche d'évaluation.
Le processus d'initialisation dure environ 3 minutes.
1. Au fur et à mesure que l'évaluation progresse, les résultats de l'évaluation, y compris la durée de l'essai et le taux d'achèvement du suivi, sont affichés dans **les détails de l'évaluation** après chaque essai. Dans la fenêtre **Simulation video stream (Flux vidéo de simulation)**, vous pouvez examiner les performances de l'agent sur la piste choisie.
Vous pouvez arrêter une tâche d'évaluation avant sa fin. Pour arrêter la tâche d'évaluation, choisissez **Stop evaluation (Arrêter l'évaluation)** dans l'angle supérieur droit de la carte **Evaluation (Évaluation)**, puis confirmez pour arrêter l'évaluation.
1. Une fois la tâche d'évaluation terminée, examinez les métriques de performance de tous les essais sous **Evaluation results (Résultats de l'évaluation)**. Le flux vidéo de simulation associé n'est plus disponible.
L'historique des évaluations de votre modèle est disponible dans le **sélecteur d'évaluation**. Pour afficher les détails d'une évaluation spécifique, sélectionnez l'évaluation dans la liste du **sélecteur d'évaluation**, puis choisissez **Charger l'évaluation** dans le coin supérieur droit de la carte de **sélection d'évaluation**.
![\[\]](http://docs.aws.amazon.com/fr_fr/deepracer/latest/developerguide/images/evaluation_selector_complete.png)
Pour ce travail d'évaluation en particulier, le modèle entraîné termine les essais avec une importante pénalité de temps hors piste. Dans un premier temps, cela n'est pas inhabituel. Comme raisons possibles, il se peut que la formation n'ait pas convergé et que la formation ait besoin de plus de temps, que l'espace d'action doive être élargi pour donner à l'agent plus d'espace pour réagir ou que la fonction de récompense doive être mise à jour pour gérer différents environnements.
Vous pouvez continuer à améliorer le modèle en le clonant à partir d'un modèle formé précédemment, en modifiant la fonction de récompense, en réglant les hyperparamètres, puis en itérant le processus jusqu'à ce que la récompense totale converge et que les métriques de performance s'améliorent. Pour de plus amples informations sur la manière d'améliorer la formation, veuillez consulter [Former et évaluer les DeepRacer modèles AWS](create-deepracer-project.md).
Pour transférer votre modèle entièrement entraîné vers votre DeepRacer appareil AWS afin de le conduire dans un environnement physique, vous devez télécharger les artefacts du modèle. Pour ce faire, choisissez **Download model (Télécharger le modèle)** sur la page de détails du modèle. Si votre appareil DeepRacer physique AWS ne prend pas en charge les nouveaux capteurs et que votre modèle a été entraîné avec les nouveaux types de capteurs, vous recevrez un message d'erreur lorsque vous utiliserez le modèle sur votre DeepRacer appareil AWS dans un environnement réel. Pour plus d'informations sur le test d'un DeepRacer modèle AWS avec un appareil physique, consultez[Gérez votre DeepRacer véhicule AWS](operate-deepracer-vehicle.md).
Une fois que vous avez entraîné votre modèle sur une piste identique ou similaire à celle spécifiée lors d'un événement de course de l'AWS DeepRacer League ou d'une course DeepRacer communautaire AWS, vous pouvez soumettre le modèle aux courses virtuelles dans la DeepRacer console AWS. Pour ce faire, suivez le **circuit AWS virtuel** ou **les courses communautaires** dans le volet de navigation principal. Pour de plus amples informations, veuillez consulter [Participez à une DeepRacer course AWS](deepracer-racing-series.md).
Pour entraîner un modèle à éviter les obstacles ou à la head-to-bot course, vous devrez peut-être ajouter de nouveaux capteurs au modèle et à l'appareil physique. Pour de plus amples informations, veuillez consulter [Comprendre les types de courses et activer les capteurs pris en charge par AWS DeepRacer](deepracer-choose-race-type.md).