这个 Skill 能做什么，适合哪些场景？
该技能使用单个视觉语言模型处理图像与 KITTI 格式边界框，生成区域描述、整体场景描述和与边界框关联的分组指代表达式。可选的复核步骤会重新检查框与表达式的匹配，并删除或收紧错误框。结果写入统一的 annotations.jsonl，也可输出兼容旧版工具的文本文件。运行需要 Docker、nvidia-container-toolkit 和至少一个支持图像输入的 VLM 端点。
读取图像目录中的 JPG、JPEG 或 PNG 文件及对应的 KITTI .txt 标签，解析对象类型和边界框坐标，并使用 Gemini 或 OpenAI 兼容端点执行四步流程：为每个框生成区域描述，生成整体图像描述，将对象分组为带框列表的 grounding 表达式，并可选地执行双重检查。通过 TAO Toolkit 容器中的 auto_label generate CLI 运行，将种子记录、各步骤 annotations.jsonl、最终 annotations.jsonl 以及可选的 legacy .txt.stepN 文件写入 results_dir。
- 负责自动驾驶或交通图像数据集的团队，需要从已有 KITTI 框标注生成对象指代表达式。
- 构建视觉指代数据集的研究人员，需要为每张图像生成区域描述和分组 grounding 短语。
- 需要批量预标注场景图像、并通过 VLM 复核框匹配质量的数据工程师。
- 已有部分 annotations.jsonl、希望从中恢复或继续执行后续标注步骤的用户。
如何安装这个 Skill？
- 执行前确认图像是否可发送到所选外部 VLM、其数据保留策略和 API 密钥范围；优先使用受控的自托管端点处理敏感数据。
- 先在小样本上人工检查区域描述、分组表达式和双重检查结果；VLM 可能产生错误或过度修正的边界框。
- 修复模型默认值与推荐值不一致、补充 Examples、明确版本变更记录，并避免对格式错误的 KITTI 行静默跳过。
- 在中国大陆部署前验证 Gemini/NIM 等端点的网络可达性；不可达时使用合规的本地或可访问的 OpenAI 兼容服务。
- Shell / 命令行
- 网络访问
- 本地文件系统
Dockernvidia-container-toolkitTAO Toolkit container nvcr.io/nvidia/tao/tao-toolkit:6.26.3-pytGemini API key or OpenAI-compatible VLM endpointPIL/Pillow
使用 NVIDIA skills CLI 安装指定技能：npx skills add nvidia/skills --skill tao-generate-referring-expressions --yes。README 未说明其他独立安装步骤；实际运行仍需准备 Docker、nvidia-container-toolkit、TAO Toolkit 容器和 VLM 端点。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-generate-referring-expressions" ~/.claude/skills/
rm -rf "$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？
准备图像目录和 KITTI 标签目录，选择 Gemini 或 OpenAI 兼容 VLM 端点，然后运行：auto_label generate -e /path/to/spec.yaml results_dir=/results image_referring_expression.data.image_dir=/data/images image_referring_expression.data.kitti_label_dir=/data/labels image_referring_expression.vlm.gemini.api_key=$GOOGLE_API_KEY。默认可执行步骤 0、1、2、3；也可通过 workflow.steps 选择子集。建议先用 5–10 张图像试运行，检查 step_0、step_2 和 step_3 的结果后再扩展到完整数据集。
这个 Skill 有哪些优点和局限？
- 覆盖区域描述、场景描述、分组 grounding 和可选复核的完整流程。
- 支持 Gemini 及 OpenAI 兼容的 VLM 端点。
- 支持按步骤缓存并恢复处理，也支持 JSONL 和 legacy 两种输出形式。
- 适合直接处理 KITTI 格式边界框。
- 必须提供图像输入、KITTI 标签和可用的图像型 VLM 端点；没有端点时无法运行。
- 依赖 NVIDIA TAO Toolkit 容器、Docker 和 nvidia-container-toolkit。
- SKILL.md 未提供性能基准、测试套件或具体平台兼容性验证结果。
- VLM 生成质量取决于模型、分辨率、输出 token 设置和 API 速率限制。
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 |
|---|---|---|---|---|
| TAO 图像指代表达式标注管线 本页 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO 图像指代表达定位 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO 视频推理标注流水线 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO VLM 二分类差距分析 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO Visual ChangeNet 工业视觉检测 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能明确要求用户选择并提供 VLM 端点，支持自托管服务，并将结果写入指定 results_dir；但 Read/Bash/Write 权限较宽，图像会发送至外部 VLM，未充分说明数据保留、敏感图像处理、最小权限、回滚或逐次执行确认，因此扣分。许可证、NVIDIA 归属和来源说明提供了部分可追溯性。
文档覆盖输入、配置、缓存、重跑和多类错误模式，正常路径较清晰；但仅静态阅读，缺少覆盖关键路径的提交测试，存在模型默认值与推荐值不一致、格式/参数依赖未完全验证，以及部分输入被静默跳过的问题。按静态校准不超过 10 分。
目标用户、KITTI 输入、输出结构、触发词和四步流程较明确，也提供 Gemini、OpenAI 兼容端点及自托管选项；但非适用范围、中文语言行为和大陆网络可达性未明确，核心云端端点可能依赖境外服务，因此扣分。
SKILL.md、配置参考、vLLM 指南、skill_info.yaml 和 skill-card 形成了较好的分层文档，包含版本、许可证、所有者、输出和维护/报告路径；但缺少推荐的 Examples 部分，作者格式不规范，缺少明确 changelog，且许可证元数据为 NOASSERTION 与文档声明不一致。
流程目标、步骤产物、JSONL/legacy 输出及试运行建议明确，理论上可完成自动生成标注；但输出依赖 VLM，定位与描述质量可能错误，缺少可核验的代表性产物和静态可验证的关键结果，仍需人工审查，因此未超过静态上限 7 分。
存在一份单任务 benchmark 报告及评测配置，提供有限的安全、正确性和发现性证据；但没有提交测试套件、实际输出、跨数据集复现或独立第三方 corroboration，报告本身不足以支持高可验证性。按静态校准不超过 5 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 →