这个 Skill 能做什么，适合哪些场景？
该技能提供完整的 PAIDF AnomalyGen 多阶段流水线，用于在新异常数据集上微调模型、生成合成异常图像并评估质量。它支持 full、finetune_only 和 inference_only 三种模式。流水线还可执行逐样本 guidance 与 crop_ratio 搜索，并按 nn_score 阈值筛选后重新生成样本。运行需要 Docker、NVIDIA Container Toolkit、CUDA GPU，并可能下载约 140 GB 的预训练检查点。
技能从数据集目录、缺陷规格 JSONL 和可选检查点读取配置，验证或下载预训练检查点，生成训练与推理 JSONL，并运行微调、SDG 图像生成、评估、逐样本参数搜索、结果拼接及筛选重生成。它通过脚本和 Python 工具执行 Docker 或主机环境中的命令。输出包括 original、rounds、searched 和 regens 目录，以及 SDG_result.csv、per_sample.csv、eval.log、search_summary.csv 和 regen_summary.csv 等文件。
- 视觉检测团队为新的纹理、文本或 CAD 缺陷数据集微调 AnomalyGen 并生成训练图像。
- 数据工程师已有微调检查点，需要直接运行推理生成异常图像。
- 质量评估人员需要用 nn_score、mnn_score 和 FID 检查合成异常图像。
- 研究人员希望为每个样本搜索 guidance 与 crop_ratio 参数以改善生成结果。
- 流水线运营人员需要按 nn_threshold 筛选低分样本并自动重新生成。
如何安装这个 Skill？
- 运行前应明确确认 GPU、磁盘、时间和约 140GB 下载成本，并避免在不受信任环境中通过命令行或容器环境暴露 HF_TOKEN。
- 核心依赖 Hugging Face、Roboflow、GitHub 和容器镜像获取；大陆网络不可达或受限时，数据准备和检查点下载可能无法完成。
- 文档要求后台启动训练，但未给出完整的进程监控、取消、断点恢复和资源清理流程。
- benchmark 只有一个计划型任务，不能证明实际生成、评估、搜索和再生成链路可运行。
- Shell / 命令行
- 网络访问
- 本地文件系统
DockerNVIDIA Container ToolkitCUDA GPUHF_TOKENPython 3cosmos-predict2 conda environment (host alternative)
使用仓库 README 中的 skills CLI 安装命令：npx skills add nvidia/skills --skill paidf-anomalygen --yes
安装后，代理在加载技能并遇到相关任务时使用它。源材料未说明单独克隆该技能目录的必要性。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/paidf-anomalygen" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- generate anomaly images
- run PAIDF SDG
- evaluate SDG output quality
- run per-sample search
向代理提出“fine-tune AnomalyGen”“generate anomaly images”“run PAIDF SDG”“evaluate SDG output quality”或“run per-sample search”等请求。运行前准备 mode、name、dataset_dir、defect_spec 和 num_SDG；inference_only 还必须同时提供 checkpoint_dir 与 step。命令应从仓库根目录执行，并设置 ANOMALYGEN_SCRIPTS；full 模式需读取 finetune 与 inference 参考文档，运行期间不能暂停。
这个 Skill 有哪些优点和局限？
- 覆盖微调、生成、评估、搜索、拼接和筛选重生成的完整流程。
- 支持复用已有检查点的 inference_only 模式，也支持仅微调。
- 输出包含逐样本与聚合评估文件，便于质量核验。
- 支持 2b 和 14b 模型尺寸，以及多 GPU 微调和 SDG。
- 需要 CUDA GPU、Docker 和 NVIDIA Container Toolkit；主机模式还要求 cosmos-predict2 环境。
- 检查点下载规模约 140 GB，并需要 HF_TOKEN。
- 运行依赖数据集结构、缺陷规格、掩码和文件权限等前置条件。
- 源材料没有提供该单项技能的测试套件或平台覆盖证据。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| PAIDF AnomalyGen 异常图像生成 本页 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NVIDIA 物理AI缺陷图像生成 ✓ NVIDIA · 官方 | 55 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NV-Generate-MR ✓ NVIDIA · 官方 | 57 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| cuPyNumeric 分片并行加载 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NeMo 数据设计器合成数据技能 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
文档声明仅允许 Read 和 Bash，并提供非 root 容器、挂载权限预检、路径校验和训练配置写入前确认，风险可见；但会执行 Docker、GPU 训练、约 140GB 检查点下载并传递 HF_TOKEN，未充分说明令牌暴露、网络数据流、成本确认、回滚和清理方案，因此扣分。
阶段划分、参数校验、输出验证和多种失败模式说明较完整；但静态材料未提供覆盖该技能关键路径的测试或可复现 CI，且后台训练、长时间运行和部分失败后的诊断恢复仍依赖用户处理，因此按静态上限保守扣分。
目标用户、三种模式、输入参数、输出目录和不适用条件较清楚；但环境严格依赖 CUDA GPU、Docker/NVIDIA Container Toolkit、特定容器和外部数据服务，未提供中文使用支持或大陆网络可达性方案，核心下载链路可能受限，因此扣分。
文档有结构化阶段表、快速开始、参数表、参考文档、错误处理、输出布局、Apache-2.0 许可和 0.1.0 版本；但缺少标准 Instructions/Examples 章节、作者邮箱、变更记录和明确维护责任/更新路径，且 benchmark 已报告目录层级问题，因此扣分。
描述覆盖微调、生成、评估、搜索、过滤再生成的完整流程，并定义 CSV、日志和目录产物；但没有该关键流程的静态可验证输出样例，任务成本高且结果仍需人工解释，benchmark 仅覆盖计划概述而非实际管线，因此按静态上限给出有限分数。
存在提交的 benchmark 报告和评估配置，报告显示有限的安全、正确性和发现性结果；但只有一个不执行命令的计划型任务，没有覆盖 PAIDF 关键阶段的测试、CI 或独立复核证据，无法支持更高静态可验证性评分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →