这个 Skill 能做什么，适合哪些场景？
该技能面向使用NVIDIA TAO Toolkit进行CenterPose关键点和姿态估计的用户。它覆盖训练、评估、推理、ONNX导出以及TensorRT引擎生成和部署流程。CenterPose检测物体中心并回归关键点位置，用于6自由度物体姿态估计。技能要求Docker、NVIDIA Container Toolkit和GPU，并提供数据路径、AutoML、检查点、推理参数及部署模板相关规则。
读取技能内的TAO schema、spec模板和skill_info配置；根据动作要求设置训练、验证、测试、推理和TensorRT校准数据路径；指导CenterPose训练、评估、推理、导出ONNX和生成TensorRT引擎；处理AutoML开关和默认路由；解析上游任务产生的检查点、ONNX文件、校准缓存、TensorRT引擎和结果目录；应用加密密钥、预训练骨干网络和恢复训练等参数映射；提示数据归档解压、关键点数量不匹配和TensorRT部署后处理错误。
- 计算机视觉工程师希望用自有centerpose格式数据训练单类别或多类别物体姿态模型。
- 模型开发者需要评估训练检查点，并使用独立的验证或测试数据集。
- 部署工程师需要将CenterPose模型导出为ONNX并生成FP32、FP16或INT8 TensorRT引擎。
- 机器人或工业视觉团队需要通过PnP和相机内参执行6自由度姿态推理。
- TAO用户希望在训练阶段启用AutoML，或仅对当前运行关闭AutoML。
如何安装这个 Skill？
- 执行前应确认用户授权的输入、输出目录、检查点和加密密钥，避免 Bash/容器访问超出任务范围。
- 需先核对 TAO、Docker、NVIDIA Container Toolkit、镜像和 schemas/templates 的实际版本与可用性；文档未证明大陆网络环境可直接拉取依赖。
- 部署 TensorRT 的成功不等于 evaluate/inference 成功；应分别检查退出码和日志，并保留可恢复的输出与检查点。
- Shell / 命令行
- 本地文件系统
DockerNVIDIA Container ToolkitAt least 1 GPU16GB or more VRAM per GPU
使用README提供的skills CLI安装：npx skills add nvidia/skills --skill tao-train-centerpose --yes。CLI会从NVIDIA/skills集合中安装指定技能；源材料未说明具体安装目录。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-centerpose" ~/.claude/skills/
rm -rf "$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：
- run 6-DoF object pose inference
安装后，在支持Agent Skills的代理中提出明确请求，例如“train CenterPose”或“run 6-DoF object pose inference”。使用前准备Docker、NVIDIA Container Toolkit和GPU，并为每个动作提供对应的已解压数据目录。训练请求默认使用AutoML；如需关闭，可在本次请求中指定“disable AutoML”或“plain training”。
这个 Skill 有哪些优点和局限？
- 覆盖CenterPose从训练到TensorRT部署的主要TAO流程。
- 包含每个动作的数据源要求、关键参数、检查点推断和错误处理规则。
- 支持AutoML运行策略，并提供固定输入分辨率、关键点数量和导出参数说明。
- 提供部署spec模板和生成schema，便于按打包内容执行操作。
- 依赖Docker、NVIDIA Container Toolkit和至少一块具备16GB以上显存的GPU。
- 仅支持单节点配置，未提供显式num_nodes或distributed_strategy设置。
- 要求用户准备并解压train.tar.gz、val.tar.gz和test.tar.gz等数据归档。
- 源材料没有给出具体测试平台、性能基准或成本信息。
- 技能文件标注Apache-2.0，而仓库整体README声明Apache-2.0与CC BY-4.0双重许可；应分别核对适用范围。
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 CenterPose 姿态估计技能 本页 ✓ NVIDIA · 官方 | 49 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO 光学缺陷检测训练 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO RT-DETR 目标检测 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO DINO 目标检测 ✓ NVIDIA · 官方 | 58 · 推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO FastFoundationStereo 实时立体深度 ✓ NVIDIA · 官方 | 55 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
文档将权限限制为 Read 和 Bash，并明确 Docker/NVIDIA Container Toolkit、数据路径、检查点映射和部署模板；但训练、评估、导出和 TensorRT 操作会产生外部计算与文件效果，未规定逐步用户确认、最小路径隔离、敏感数据/密钥处理、失败回滚或恢复机制，因此扣分。
动作、输入输出、数据集路径、检查点推断和若干错误模式描述较完整，且声明确定性配置；但未提供覆盖关键路径的可执行测试，schemas 与生成模板的可用性依赖打包状态，AutoML 路由还有条件分支，异常输入和依赖失败反馈不足，因此扣分。
触发短语、CenterPose 的训练/评估/导出/推理场景、单节点限制、GPU要求、固定关键点数和部分非适用条件较清楚；但未说明中文交互支持、不同 TAO/容器版本边界或中国大陆网络可达性，且依赖 NVIDIA Docker 镜像可能存在环境限制，因此扣分。
Front matter、Apache-2.0、版本 0.1.0、作者、标签、引用模板、参数表、错误模式和基准报告提供了可维护基础；但缺少推荐的 Instructions/Examples/FAQ 结构、变更记录、明确的技能维护责任与更新路径，作者格式也被基准报告指出不规范，因此扣分。
文档覆盖数据准备、训练、评估、推理、导出、TensorRT 和检查点交接，模板与参数可直接指导核心工作流；但没有静态可验证的代表性产物或独立结果证明，实际输出正确性、完整性及相对于手工 TAO 操作的收益仍需运行验证，因此按静态上限保守扣分。
技能自身包含可审计的 YAML 模板、动作映射、错误模式和一个有限基准报告，支持追溯部分关键主张；但只有单个评估任务、无技能专属提交测试套件或真实 CI 覆盖，基准结果无法仅凭文件独立复现，因此扣分。
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 →