资源管理
数据集、checkpoint、机器人模型和演示媒体不进 Git 历史，统一走外部下载。Unitree G1 的 canonical 模型下载到 assets/robots/unitree_g1/g1_29dof.xml。
不入库的内容
assets/robots/— canonical 机器人 XML/meshteleopit/retargeting/gmr/assets/— GMR 重定向资源、IK 配置和非 canonical 机器人描述data/、checkpoint、缓存等生成产物- 演示媒体（
assets/demo.gif、assets/demo.mp4）
远程仓库
ModelScope（默认下载源）
| 仓库 | 类型 | 内容 |
|---|---|---|
BingqianWu/Teleopit-models | model | checkpoint、GMR retargeting 资源、示例 BVH |
BingqianWu/Teleopit-datasets | dataset | 训练/验证数据集 |
HuggingFace（备选）
| 仓库 | 类型 | 内容 |
|---|---|---|
12e21/Teleopit-models | model | checkpoint、GMR retargeting 资源、示例 BVH |
12e21/Teleopit-datasets | dataset | 训练/验证数据集 |
资源组与仓库的对应关系
| 组 | 仓库 | 远端路径 |
|---|---|---|
ckpt | Teleopit-models | checkpoints/track.onnx、checkpoints/track.pt |
robots | Teleopit-models | archives/robot_assets.tar.gz |
gmr | Teleopit-models | archives/gmr_assets.tar.gz |
bvh | Teleopit-models | archives/sample_bvh.tar.gz |
data | Teleopit-datasets | data/datasets/*/*.h5（lafan1、pico_record、seed、twist2） |
下载
使用项目自带的下载脚本（默认从 ModelScope 下载）：
# 下载全部
python scripts/setup/download_assets.py
# 只下载推理必需的资源
python scripts/setup/download_assets.py --only robots gmr ckpt bvh
# 只下载训练数据
python scripts/setup/download_assets.py --only data
# 从 HuggingFace 下载
python scripts/setup/download_assets.py --source huggingface
下载后各资源的本地落点：
| 远端路径 | 本地路径 |
|---|---|
checkpoints/track.onnx | track.onnx |
checkpoints/track.pt | track.pt |
archives/robot_assets.tar.gz | assets/robots/（自动解压） |
archives/gmr_assets.tar.gz | teleopit/retargeting/gmr/assets/（自动解压） |
archives/sample_bvh.tar.gz | data/sample_bvh/（自动解压） |
data/datasets/*/*.h5 | data/datasets/ |
上传到 ModelScope
第一步：准备上传目录
python scripts/setup/prepare_modelscope_assets.py --only ckpt robots gmr bvh --clean
python scripts/setup/prepare_modelscope_assets.py --only data
产物在 data/modelscope_upload/。
第二步：上传到对应仓库
# 模型仓库
modelscope upload --repo-type model BingqianWu/Teleopit-models \
data/modelscope_upload/checkpoints checkpoints
modelscope upload --repo-type model BingqianWu/Teleopit-models \
data/modelscope_upload/archives archives
# 数据集仓库
modelscope upload --repo-type dataset BingqianWu/Teleopit-datasets \
data/modelscope_upload/data data
第三步：打版本 tag
ModelScope 仅模型仓库支持 tag，数据集仓库不支持。
python - <<'EOF'
from modelscope.hub.api import HubApi
api = HubApi()
url = api.create_model_tag("BingqianWu/Teleopit-models", "vX.Y.Z")
print(url)
EOF
tag 与代码仓库的 Git tag 保持一致，方便追溯每个版本对应的模型。
上传到 HuggingFace
第一步：准备 staging 目录
# 准备全部（--clean 会清空旧的 staging 目录）
python scripts/setup/upload_hf_assets.py --dry-run --clean
# 只准备指定组
python scripts/setup/upload_hf_assets.py --only ckpt robots gmr bvh --dry-run
python scripts/setup/upload_hf_assets.py --only data --dry-run
--dry-run 只写 staging，不执行上传，可用于检查文件完整性。
第二步：执行上传
python scripts/setup/upload_hf_assets.py --only ckpt robots gmr bvh --clean
python scripts/setup/upload_hf_assets.py --only data --clean
注意
每次运行前建议加 --clean，否则 staging 目录可能残留上次遗留的文件，导致 --only 语义失效（旧资源被误带入上传）。
第三步：打版本 tag
HuggingFace 模型仓库支持 tag（数据集仓库不支持）：
python - <<'EOF'
from huggingface_hub import HfApi
api = HfApi()
api.create_tag("12e21/Teleopit-models", tag="vX.Y.Z", repo_type="model")
EOF
tag 与代码仓库的 Git tag 保持一致，方便追溯每个版本对应的模型。
提交前检查
推送代码前运行：
python scripts/dev/check_large_tracked_files.py
会拦截大二进制文件并检查已跟踪文件的体积上限。