这个 Skill 能做什么，适合哪些场景？
该技能面向 NVIDIA TAO OneFormer，用于通用图像分割工作流。它覆盖训练、评估、推理、导出、量化及 TensorRT 部署相关操作。模型以任务条件化查询统一全景、实例和语义分割。运行需要 Docker、nvidia-container-toolkit 和 NVIDIA GPU；训练至少需要 2 张 GPU，建议使用 24GB 以上显存。
读取技能内的配置、Schema、部署说明和规格模板；根据动作要求构造训练、评估、推理和量化数据路径；通过 TAO 工作流运行 OneFormer 训练或 AutoML，解析检查点，并将其用于评估、推理、导出、量化或 TensorRT 操作。它还指导设置类别数、任务模式、精度、输出路径和多 GPU 参数，并说明常见 CUDA、路径、检查点和 ONNX 导出错误的处理方式。
- 计算机视觉团队使用 COCO 全景数据训练同时支持语义、实例和全景分割的 OneFormer 模型。
- 模型工程师需要用已选检查点执行评估，并查看总体及每类 IoU。
- 部署团队将 OneFormer 导出为 ONNX、生成 TensorRT 引擎，或运行 TensorRT 评估和推理。
- 研究人员使用 AutoML 进行训练超参数搜索，或在明确要求时关闭 AutoML 执行普通训练。
- 平台工程师在多 GPU 环境中运行 Lightning 管理的 DDP 训练并排查显存或检查点加载问题。
如何安装这个 Skill？
- 执行前应确认 Docker、NVIDIA Container Toolkit、GPU 数量/显存、TAO 镜像和所有外部权重来源，并审查 S3 数据是否含敏感信息。
- 不要直接采用 latest 检查点或不受信任检查点；应验证解析后的具体路径，并谨慎使用 TORCH_FORCE_NO_WEIGHTS_ONLY_LOAD=1。
- 应补充中文用户说明、中国大陆网络可达性、版本兼容矩阵、示例和可复现测试。
- 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：
npx skills add nvidia/skills --skill tao-train-oneformer --yes
也可以先运行 npx skills add nvidia/skills --list 查看目录。无需克隆仓库或手动复制技能目录。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-oneformer" ~/.claude/skills/
rm -rf "$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：
- train OneFormer for universal segmentation
- export this TAO OneFormer model
安装后，向支持 Agent Skills 的代理提出类似“train OneFormer for universal segmentation”或“export this TAO OneFormer model” 的请求。处理 TensorRT 引擎生成、TensorRT 评估或 TensorRT 推理前，应读取 references/tao-deploy-oneformer.md；训练阶段应读取 references/skill_info.yaml，并根据请求决定 automl_policy。必须为每个动作提供对应的数据源路径。具体 TAO 运行命令未在该技能正文中完整记录。
这个 Skill 有哪些优点和局限？
- 覆盖 OneFormer 的训练、评估、推理、导出、量化和 TensorRT 部署流程。
- 明确列出各动作的数据文件、规格覆盖项、检查点选择规则和常见失败模式。
- 支持模型级 AutoML，并允许按运行选择启用或关闭。
- 提供多 GPU、多节点 DDP 参数以及 COCO 全景数据的关键类别映射说明。
- 硬件要求高：最低 2 张 GPU，建议每张具备 24GB 以上显存，训练默认 50 个 epoch 且 batch size 为 1。
- 明确要求 Docker 和 nvidia-container-toolkit；不适合无 NVIDIA GPU 的环境。
- 技能正文没有给出完整的安装、执行命令或独立测试套件证据。
- 数据源路径、检查点路径和父 AutoML 作业目录配置不正确时，评估、量化或推理可能失败。
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 OneFormer 通用分割技能 本页 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO Mask2Former 分割技能 ✓ NVIDIA · 官方 | 49 · 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 Grounding DINO 开放词汇检测 ✓ NVIDIA · 官方 | 56 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能声明仅使用 Read 和 Bash，并明确依赖 Docker、NVIDIA Container Toolkit、GPU、S3 数据路径及预训练权重下载；未见恶意行为、凭据窃取或隐蔽外传，但缺少最小权限细化、用户确认、敏感数据处理、网络依赖审计和回滚方案，因此扣分。
文档提供了动作映射、数据要求、检查点选择规则、确定性配置和多项错误模式，支持较好的静态可诊断性；但未执行复现，依赖版本和关键运行环境不完整，且存在默认 1 GPU 与最低 2 GPU 要求等张力，因此受静态上限限制并扣分。
目标用户、OneFormer 的训练/评估/推理/导出/量化场景和触发短语较清楚，也说明了非训练动作边界；但非适用范围、语义误触发条件、中文支持及中国大陆网络可达性没有说明，且硬件门槛较高，因此扣分。
技能包含 front matter、版本、作者、许可证、动作表、参数说明、错误模式和引用文件，结构较完整；但缺少独立的 Instructions、Examples、FAQ、变更日志和明确维护责任，许可证元数据为 NOASSERTION 与技能声明的 Apache-2.0 存在治理歧义，因此扣分。
文档覆盖从数据准备到训练、检查点评估、导出、推理和量化的核心流程，并给出可直接改写的 spec overrides；提交的单任务 benchmark 报告显示技能辅助任务通过，但没有实际模型结果或多样化任务覆盖，故仅给静态上限内的较高分。
存在结构化 schemas、skill_info、spec templates、evals.json 和 benchmark 报告，关键规则可追溯；但 benchmark 仅有 1 个任务、无提交的测试套件或 CI 复现链，也缺少独立交叉来源，因此证据覆盖有限并扣分。
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 →