NVIDIA 物理AI缺陷图像生成
在 OSMO 上编排 PCBA、金属表面和玻璃检测的缺陷图像生成、增强与标注流程。
技能明确要求用户确认流程、存储根路径、端点和资源池，使用 HF_TOKEN 凭据并说明主要数据流；工作流输出使用带名称的运行路径，部分任务有失败检查。扣分原因：Shell 允许下载并执行外部内容，依赖 Hugging Face、GitHub、Roboflow 和集群服务；未提供完整的最小权限、敏感数据处理、端点可信性验证和通用回滚方案，且仓库许可证元数据为 NOASSERTION。
文档与 YAML 对流程、前置条件、输入输出、参数映射及多处错误检查描述较完整，异常时通常会输出原因并退出。扣分原因：静态审查未执行关键路径；依赖固定容器内部脚本、OSMO、网络服务、外部下载和未随选定证据提供的引用文件，缺少覆盖关键路径的提交测试，因此无法确认可复现性。
支持 PCBA、金属、玻璃、多种 Day 0/Day 1/微调流程，提供触发关键词、歧义澄清和不适用的结构缺陷区分。扣分原因：中文语言支持未声明；核心功能依赖 OSMO、HF、GitHub、Roboflow 及集群内 Qwen 服务，未证明中国大陆网络可达；自定义场景和环境边界仍需较多人工判断。
具备目录、流程表、前置条件、监控、故障排查、配置和版本字段，明确 owner 为 NVIDIA，许可证字段为 CC-BY-4.0 AND Apache-2.0，并有 reviewed 日期。扣分原因：BENCHMARK.md 记录缺少 Instructions、Examples 和规范作者邮箱；未见明确 changelog、维护承诺或更新路径，且大量关键说明依赖未在本次材料中展开的 references 文件。
技能覆盖从资产准备、生成、微调、推理标注到监控和输出获取的端到端任务，并明确了工作流、参数与输出位置；BENCHMARK.md 报告了正确性和有效性评估结果。扣分原因：未执行本次静态审查，代表性产物和跨环境结果无法独立确认；实际产出依赖外部模型、数据、OSMO 配置和人工前置操作，用户仍可能需要明显的环境调试。
源文件包含固定 revision 下的工作流 YAML、脚本内检查、输入输出路径和一份 NVSkills-Eval 报告，提供有限的审计线索。扣分原因：报告没有附带可复核的测试套件、CI 运行记录或详细任务证据，未有独立来源交叉验证；本次未执行任何工作流。
- 提交前必须确认 dig_url_root、OSMO 资源池、端点和必要凭据；默认存储位置规模可超过 80 GB。
- 核心下载和推理依赖 HF、GitHub、Roboflow、OSMO 及集群内服务，需单独验证网络可达性、许可证接受和外部依赖完整性。
- 不要将真实照片或敏感检测数据上传到未确认权限的 URL；当前材料未给出通用回滚或数据清理流程。
- BENCHMARK.md 的评估结果属于有限的静态证据，不能替代当前环境中的关键路径验证。
这个 Skill 能做什么，适合哪些场景？
该技能面向使用 NVIDIA Cosmos AnomalyGen 构建自动光学检测（AOI）数据集的用户。它覆盖 PCBA 的 Day 0 冷启动流程，以及真实图像推理与标注的 Day 1 流程；金属表面和玻璃主要使用手动 ROI 流程。技能通过 OSMO 工作流串联 USD 转 ROI、渲染、图像编辑、微调、推理和标注，并支持使用预训练检查点或从原始数据微调。使用前需要配置 OSMO 凭据、存储路径和相关 URL 资源。
读取用户选择的缺陷类别、用例、检查点和数据路径；在 OSMO 上提交对应的 YAML 工作流；对 PCBA 执行 USD/ROI 渲染、扫描网格和裁剪；调用 NVIDIA Qwen Image-Edit 进行外观或光照增强；使用 IsaacSim 生成移位、立碑和侧翻等结构缺陷；使用 Cosmos AnomalyGen 进行推理、缺陷标注和可选微调；将结果写入 OSMO 数据路径下的运行输出目录。
- AOI 团队从 PCBA CAD/USD 场景生成纹理缺陷、缺失元件或结构缺陷数据集。
- PCBA 团队将 CAD 派生渲染与真实照片对齐，并对真实图像执行 Day 1 推理和标注。
- 金属表面检测团队使用预捕获的干净图像和 ROI 掩码进行缺陷推理与标注。
- 玻璃检测团队使用手动 ROI 流程生成推理和标注结果。
- 数据工程师仅使用已标注的异常数据训练可供 Day 0 或 Day 1 使用的 AnomalyGen 检查点。
这个 Skill 有哪些优点和局限？
- 覆盖 PCBA、金属表面和玻璃检测场景。
- 提供 Day 0、Day 1 和仅微调等明确工作流。
- 包含流程选择、数据交接、预检、命名、监控和输出位置规则。
- 支持使用预训练检查点或插入微调任务。
- README 说明技能目录带有签名、技能卡和 Tier-3 评测工件。
- 必须在 OSMO 环境中运行，不能仅凭本地技能文件完成端到端流程。
- 需要配置存储 URL、凭据及若干数据或模型资源；缺失资源时流程会停止。
- Day 0 需要 Qwen Image-Edit 端点；本地部署还涉及 GPU 容量限制。
- 来源没有提供该单项技能的独立测试结果、运行成本或具体硬件最低配置。
- 结构缺陷输出量与渲染帧数呈非线性关系，不能简单按目标图片数换算。
如何安装这个 Skill？
使用默认 skills CLI 安装指定技能：
npx skills add nvidia/skills --skill physical-ai-defect-image-generation --yes
README 未说明该技能安装后的具体本地目录；CLI 会提示或处理安装目标。
如何使用这个 Skill？
向已加载该技能的 Agent 提出明确请求，例如："为 PCBA 运行 Day 0 纹理缺陷图像生成流程"。使用前应明确选择流程、用例、是否使用预训练检查点以及数据存储根路径；首次使用时必须确认 dig_url_root。实际运行依赖 OSMO 凭据、必需 URL 资源和可用的图像编辑端点（Day 0）。模糊请求不会被技能静默解释为某个流程。