这个 Skill 能做什么，适合哪些场景？
该技能指导使用 NVIDIA TAO Toolkit 训练、导出和推理 NVDINOv2 视觉变换器。它通过教师—学生自蒸馏进行无监督预训练，不需要标签，并生成通用视觉特征。训练支持 AutoML，可根据每次运行的策略选择 AutoML 或直接训练。该技能面向 Docker 和 NVIDIA GPU 环境，默认的 ViT-Large 配置对显存要求很高。
读取技能内的 TAO Core JSON schema、YAML spec template、AutoML 配置和部署参考；构造训练与推理所需的数据源路径；通过 TAO 运行训练、AutoML、导出和推理流程；在导出和推理时传递选定的 student_epoch_*.pth 检查点；生成 ONNX 文件，并为 TAO Deploy TensorRT 流程提供部署指引。
- 计算机视觉研究人员在没有标注数据时进行 ViT 自监督预训练。
- 模型工程师使用训练得到的通用视觉特征开展下游任务。
- TAO 用户通过 AutoML 选择训练配置和最佳模型。
- 部署工程师将选定的 NVDINOv2 检查点导出为 ONNX 或生成 TensorRT 引擎。
- 平台工程师在多 GPU 或多节点环境中运行 Lightning 管理的训练。
如何安装这个 Skill？
- 执行前确认 Docker、NVIDIA Container Toolkit、TAO 容器、A100 40GB+ GPU 和数据源均可用。
- 核对 skill_info.yaml 与推理模板中的检查点字段，并确认使用 student_epoch_*.pth 而非训练总检查点。
- 处理数据集、检查点和 encryption_key 时应先获得用户确认并避免将敏感内容写入日志或外部服务。
- 评估报告仅覆盖一个正向计划任务，不能证明实际训练、导出或推理成功。
- Shell / 命令行
- 网络访问
- 本地文件系统
DockerNVIDIA Container ToolkitA100 GPUs with 40GB+ VRAM
使用仓库 README 中的 Skills CLI 安装：
npx skills add nvidia/skills --skill tao-train-nvdinov2 --yes
运行环境还需要 Docker、NVIDIA Container Toolkit，以及满足显存要求的 NVIDIA GPU。README 未说明更细的 TAO 容器或版本安装步骤。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-nvdinov2" ~/.claude/skills/
rm -rf "$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：
- self-supervised ViT pretraining
- visual representation learning
安装后，可向 Agent 提出“train NVDINOv2”“self-supervised ViT pretraining”“DINOv2 backbone”或“visual representation learning”等请求。训练前读取 references/skill_info.yaml，并按请求解析 automl_policy；训练和推理必须提供对应的 images_train.tar.gz 或 images_test.tar.gz 数据源路径。导出和推理应使用选定的 student_epoch_*.pth 检查点；执行 gen_trt_engine 前先读取 references/tao-deploy-nvdinov2.md。
这个 Skill 有哪些优点和局限？
- 支持无标签的教师—学生自蒸馏训练。
- 覆盖训练、AutoML、导出、推理和 TAO Deploy 相关流程。
- 包含 schema、模板、检查点传递和常见错误处理指引。
- 支持 Lightning 管理的多 GPU 和多节点训练。
- 默认 ViT-Large 教师与学生模型非常耗显存，要求至少 40GB 级别 GPU，且技能建议使用 4–8 张 GPU。
- 需要 Docker 和 NVIDIA Container Toolkit。
- SSL 训练不使用标签，评估依赖下游任务。
- 源码只声明版本 0.1.0；提示中的默认 10 个 epoch 更适合快速测试，生产训练通常需要 100 个以上 epoch。
- PyT inference 不接受 TensorRT engine，且没有独立的 distill action。
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 NVDINOv2 视觉表征训练 本页 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO 度量学习识别 ✓ NVIDIA · 官方 | 49 · 谨慎使用 | ★ 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 |
| OCDNet 场景文本检测 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO FoundationStereo 立体深度 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能声明仅允许 Read 和 Bash，并明确要求 Docker/NVIDIA Container Toolkit；未见恶意行为、凭据窃取或隐蔽外传。但训练、导出和推理会访问数据集、检查点、结果目录及加密键，缺少用户确认、数据流披露、敏感数据处理、回滚和依赖完整性说明，因此扣分。
文档覆盖 AutoML 路由、数据源、检查点选择和多种错误模式，主路径基本连贯。静态证据显示推理模板使用 inference.checkpoint，而 skill_info.yaml 使用 inference.checkpoint、模板实际字段又为 inference.checkpoint，仍有配置一致性风险；缺少可复现的关键路径测试和更完整的异常反馈，且静态评估上限限制为10，因此扣分。
触发短语、训练/导出/推理场景、数据格式、硬件要求和非可用 distill 动作均有说明。范围主要面向具备 A100 40GB+、Docker 和 TAO 环境的用户；未声明中文支持、非适用边界和网络可达性，适用面受限，因此扣分。
具有名称、描述、Apache-2.0 许可、版本、作者、参数表、模板、错误模式和维护/同步背景。缺少推荐的 Instructions 与 Examples 章节，作者格式不完整，缺少变更日志、明确维护负责人/更新路径和更系统的 FAQ；仓库报告也记录了目录结构和 schemas 规范问题，因此扣分。
文档可指导构造训练、导出和推理配置，并说明检查点交接、AutoML 指标和常见失败处理，核心任务价值明确。没有在本次静态审查中执行，也没有足够代表性输出证明结果可直接使用；配置字段不一致可能造成返工，因此按静态上限保守扣分。
存在版本化模板、skill_info.yaml、评估任务和 benchmark 报告，提供了有限的审计线索。评估仅含1个正向任务、无负向任务，报告没有提交可核验的运行日志或覆盖关键训练路径的测试套件；静态审查下最高5分，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 →