这个 Skill 能做什么，适合哪些场景？
该技能面向使用 NVIDIA TAO Mask2Former 的通用图像分割流程，覆盖全景、实例和语义分割。它指导模型训练、评估、推理、ONNX 导出、量化以及 TensorRT 部署相关操作。技能包含数据集要求、规格覆盖参数、AutoML 训练策略、多 GPU 配置、导出限制和常见错误处理。运行需要 Docker、nvidia-container-toolkit 和 NVIDIA GPU；模型分割任务内存占用较高。
读取技能内的部署参考、生成的 TAO schema、规格模板和 AutoML 配置；根据动作要求构造 COCO 或 COCO panoptic 数据源路径，并指导 train、evaluate、inference、export、quantize 和 TensorRT 部署流程。它说明检查点、ONNX 文件、TensorRT 引擎和结果目录等参数如何从父作业或当前作业推断，并给出 Swin 主干预训练权重、类别数、分割模式、GPU 数量和数据路径的配置方式。
- 计算机视觉工程师需要用 COCO panoptic 数据训练全景分割模型时，使用该技能配置数据源、类别数、训练周期和 GPU。
- 模型评估人员需要对已训练的 Mask2Former 检查点执行验证时，使用该技能准备评估数据和检查点参数。
- 部署工程师需要将 Mask2Former 导出为 ONNX 并生成 TensorRT 引擎时，使用该技能遵循部署参考和默认导出尺寸。
- 团队需要运行语义、实例或全景分割推理时，使用该技能选择 model.mode 并配置对应数据文件。
- GPU 资源有限或遇到 CUDA 内存不足时，使用该技能调整图像分辨率或选择更小的 Swin 变体。
如何安装这个 Skill？
- 运行前应核对 TAO 容器版本、生成的 schemas/templates、数据集格式和 COCO 类别 ID 设置；文档模板默认值并不总与正文要求一致。
- 训练和推理可能访问 S3、GitHub 预训练权重及 W&B；不要提供未经授权的敏感数据或凭据，并确认网络、数据驻留和外部上传策略。
- 建议在隔离环境中先进行小规模验证，并保留检查点和输出目录以便人工恢复。
- Shell / 命令行
- 网络访问
- 本地文件系统
Dockernvidia-container-toolkitNVIDIA GPU
使用仓库 README 支持的 skills CLI 安装指定技能：
npx skills add nvidia/skills --skill tao-train-mask2former --yes
CLI 会提示或确定安装目标；无需手动克隆仓库或复制技能目录。源材料未说明特定客户端之外的安装目录细节。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-mask2former" ~/.claude/skills/
rm -rf "$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：
- 训练 Mask2Former 全景分割模型
- 评估这个 Mask2Former 检查点
- 导出 Mask2Former ONNX 并部署 TensorRT
安装后，在支持 Agent Skills 的客户端中提出明确任务，例如："训练 Mask2Former 全景分割模型"、"评估这个 Mask2Former 检查点" 或 "导出 Mask2Former ONNX 并部署 TensorRT"。处理 TensorRT 引擎生成、TensorRT evaluate 或 TensorRT inference 前，应先读取 references/tao-deploy-mask2former.md。所有训练、评估、推理和量化动作都必须提供表中要求的数据源路径。
这个 Skill 有哪些优点和局限？
- 覆盖 Mask2Former 的训练、评估、推理、导出、量化和 TensorRT 部署流程。
- 明确列出 COCO panoptic 数据文件、规格键和每个动作的数据要求。
- 提供 AutoML 训练策略、检查点推断、多 GPU 配置和常见错误处理。
- 说明 TensorRT 仅支持 FP32 和 FP16，并给出可工作的默认导出尺寸。
- 依赖 Docker、nvidia-container-toolkit 和至少一块 NVIDIA GPU；推荐 4 块 GPU 和每卡 24GB 以上显存。
- Mask2Former 内存占用高，默认每 GPU batch size 为 1。
- 每个动作都要求构造数据源路径，使用者必须准备符合要求的 COCO 或 COCO panoptic 文件。
- TensorRT 不支持 INT8；小于默认导出尺寸的测试尺寸可能触发 ONNX 形状推断错误。
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 Mask2Former 分割技能 本页 ✓ NVIDIA · 官方 | 49 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO OneFormer 通用分割技能 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO SegFormer 语义分割技能 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| Mask Grounding DINO 训练与部署技能 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO PyT 图像分类 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
明确要求 Docker、nvidia-container-toolkit，并限制工具为 Read/Bash；说明了数据源、父作业产物和加密键映射，也未见恶意、窃密或破坏性默认行为。扣分在于 Bash 权限较宽、没有用户确认或回滚流程，数据可能经 S3、Weights 下载和启用的 W&B 流转，敏感数据处理与外部网络效果披露不足。
文档覆盖训练、评估、推理、导出、量化、多 GPU 和若干错误模式，并给出确定性训练默认值。扣分在于模板默认值与文档要求存在偏差（如 ADE 与 COCO panoptic），AutoML、部署引用和旧 PyTorch 兼容性依赖外部组件，未提供可在此静态审查中复现的完整测试套件；按静态校准不得超过10分。
触发语、任务范围、数据格式、硬件要求和主要非适用条件较清楚，覆盖 panoptic、instance、semantic 任务。扣分在于缺少明确的中文使用说明和语义误触发边界，强依赖 Docker、NVIDIA GPU、TAO 容器、S3/GitHub 等环境；海外依赖可能降低中国大陆网络可达性。
SKILL.md 结构较完整，包含元数据、版本、作者、参数、模板、错误模式、部署说明和许可证；仓库 README 还说明了同步维护和安装入口。扣分在于缺少 Instructions、Examples、FAQ、changelog 和明确维护责任人或更新路径，作者格式不完整，且 schemas 目录的打包约定在基准报告中被标为结构问题。
技能直接覆盖 TAO Mask2Former 的训练到部署流程，提供数据路径映射、配置模板、父模型推断和常见故障处理，理论上能减少手工配置。扣分在于没有本审查可独立验证的代表性输出，数据与模型产物仍需用户准备，模板与运行时版本差异可能导致额外修正；静态校准下不超过7分。
提供了提交版本、配置 schema 元数据、动作命令、模板和错误说明，基准文件也记录了一次单任务评估。扣分在于基准仅有一个正向任务、无负向任务，未提供可独立核验的 CI 或完整测试覆盖，且评估结果属于仓库内声明而非独立交叉证据；静态审查下不得超过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 →