这个 Skill 能做什么，适合哪些场景？
该技能面向 AOI、PCB 和质量控制数据，使用孪生网络比较图像对，以识别制造缺陷、异常和质量问题。它覆盖 TAO Optical Inspection 模型的训练、评估、推理、ONNX 导出及 TensorRT 部署流程。训练默认启用 AutoML，并支持按运行任务关闭 AutoML。使用者需要 Docker、nvidia-container-toolkit 和至少一块具备 8GB 以上显存的 GPU。
读取并遵循 TAO Optical Inspection 的数据集、模型和部署规范；使用 images.tar.gz 与 dataset.csv 数据 split 构建训练、验证、测试和推理路径；运行 train、evaluate、inference 和 export 操作；解析上游训练或 AutoML 作业以选择检查点；导出 ONNX 模型；在执行 TensorRT 引擎生成、TensorRT 评估或 TensorRT 推理前读取部署参考文档；处理数据根目录错误、CSV 格式错误、训练 batch size 不合法和可信检查点加载失败等问题。
- 制造工程师希望使用 PCB 图像对训练 AOI 缺陷分类模型。
- 计算机视觉团队需要在预转换数据上运行 TAO Optical Inspection 的训练、验证和测试流程。
- 模型开发者需要从训练或 AutoML 作业中选择检查点并导出 ONNX 文件。
- 部署工程师需要为光学检测模型生成 TensorRT 引擎并执行 TensorRT 推理。
- 验证人员需要诊断 dataset.csv 路径、图像目录结构或训练 batch size 导致的运行失败。
如何安装这个 Skill？
- 不要在未确认数据位置、凭据权限和输出目录的情况下执行 Bash、Docker 或 S3 相关操作。
- 训练和下游动作依赖预转换的 images.tar.gz、dataset.csv、有效检查点以及 TAO/Docker/GPU 环境；文档未提供完整安装、版本兼容性或回滚流程。
- 不要把 benchmark 的 PASS 视为实际训练或部署成功的证明；其覆盖范围仅为一个文档计划任务。
- 在中国大陆网络或中文交互环境中，应先验证 Docker 镜像、TAO 依赖和外部服务的可达性与本地化支持。
- Shell / 命令行
- 本地文件系统
Dockernvidia-container-toolkitNVIDIA GPU with at least 8GB VRAM
安装整个 NVIDIA skills 集合：npx skills add nvidia/skills。只安装此技能：npx skills add nvidia/skills --skill tao-train-optical-inspection --yes。README 未提供该技能独立复制到其他目录的具体步骤；运行前还需准备 Docker、nvidia-container-toolkit 和符合要求的 NVIDIA GPU。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-optical-inspection" ~/.claude/skills/
rm -rf "$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 optical inspection
- AOI defect detection
- PCB / manufacturing inspection
将技能加载到兼容 Agent Skills 的客户端后，可输入“train optical inspection”“AOI defect detection”或“PCB / manufacturing inspection”等请求，并说明数据路径、动作、输出目录、GPU 设置和检查点需求。数据应提供 Optical Inspection 格式的 images.tar.gz 与 dataset.csv；训练、评估和推理必须显式提供对应数据源路径。若执行 TensorRT gen_trt_engine、TensorRT evaluate 或 TensorRT inference，应先读取 references/tao-deploy-optical-inspection.md。源材料未给出完整 CLI 命令、数据集生成命令或费用信息。
这个 Skill 有哪些优点和局限？
- 覆盖训练、评估、推理、ONNX 导出和 TensorRT 部署相关流程。
- 支持 AutoML，并允许按单次训练请求启用或关闭。
- 明确规定了数据文件、检查点解析、GPU 和常见错误处理要求。
- 适合轻量级孪生网络的单 GPU 工作负载。
- 依赖 Docker、nvidia-container-toolkit 和 NVIDIA GPU，最低要求 8GB 以上显存。
- 仅针对 Optical Inspection 数据格式和 TAO 工作流，不是通用缺陷检测框架。
- 数据转换虽可由 PyT 容器提供，但该技能未打包 dataset_convert action/template。
- 源材料没有提供独立测试套件、性能基准或运行成本证据。
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 光学缺陷检测训练 本页 ✓ 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 CenterPose 姿态估计技能 ✓ NVIDIA · 官方 | 49 · 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 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？
技能将权限限制为 Read 与 Bash，并明确 Docker、NVIDIA Container Toolkit、数据路径、检查点解析和不可信检查点的环境变量限制；但未规定用户确认、最小化 Bash 操作、S3/数据敏感性处理、外部副作用隔离、回滚或恢复流程。许可证与发布者信息可追溯，但整体许可证元数据为 NOASSERTION，因此扣分。
SKILL.md 对训练、评估、推理、导出、部署、数据格式、检查点和常见错误有较具体说明，也指出缺失 schema 时应报告原因；但静态材料没有覆盖关键路径的可执行测试，模板与动作定义存在复杂分叉，异常反馈和依赖版本说明仍有限。受静态上限约束，未超过10分。
目标用户、AOI/制造质检场景、触发短语、输入数据格式和单 GPU/8GB+ VRAM 环境较清楚；同时说明仅支持单节点、转换数据边界和不应伪造数据。但未充分声明非适用场景、语义误触发边界、中文使用支持或中国大陆网络可达性，因此扣分。
文档包含元数据、版本0.1.0、作者、标签、动作表、参数映射、模板和错误模式；仓库材料也提供 Apache/CC 许可证、同步维护和安全报告路径。缺少推荐的 Instructions、Examples、FAQ，作者格式不符合基准要求，缺乏技能级 changelog 和明确维护责任，因此扣分。
该技能覆盖从预转换数据训练到评估、推理、ONNX 导出和 TensorRT 部署的核心流程，数据源和检查点规则具有直接操作价值；但没有静态可验证的代表性最终输出，基准仅有一个任务且 Codex 正确性20%、整体有效性44%，所以只能给有限分数。受静态上限约束，未超过7分。
存在固定修订、结构化 schema/模板、动作配置和一份单任务 benchmark 报告；但 benchmark 覆盖极薄，仅一次正向任务、无负向任务，且没有覆盖实际训练/评估/部署关键路径的提交测试或多来源复核。受静态上限约束，未超过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 →