TAO 人员重识别训练技能
训练和部署用于跨摄像头人员匹配的 TAO ReID 模型。
证据显示技能限定 Read/Bash，要求 Docker、NVIDIA Container Toolkit，并明确不应对不可信 checkpoint 使用 TORCH_FORCE_NO_WEIGHTS_ONLY_LOAD；训练、评估、推理和导出范围也有边界。扣分原因是未规定执行前用户确认、最小化数据权限、人员图像隐私处理、外部数据流披露、回滚方案或失败后的恢复流程，且 W&B 默认启用可能产生外部数据流。
SKILL.md、skill_info.yaml、模板和 schema 对动作、输入、输出、参数约束及若干错误模式进行了较细说明，并包含确定性设置和诊断提示。扣分原因是源文件未提供可执行复现、CI 或覆盖关键路径的测试；模板中的默认配置与文档的 AutoML 指标策略存在潜在不一致，且文件/目录输入语义可能增加运行失败风险。
技能名称、触发短语、支持动作、非支持动作、数据集要求、GPU 和单节点限制较清楚，适合有 TAO、Docker 和 NVIDIA GPU 环境的 ReID 工作流。扣分原因是没有明确非 ReID 场景的更多边界、没有中文交互或本地网络适配说明，且对数据集目录结构、真实数据获取和用户确认条件的触发定义仍不完整。
技能包含 front matter、版本 0.1.0、作者、Apache-2.0 声明、schema、模板、错误模式、基准报告和参数映射；仓库材料还说明了更新方式。扣分原因是缺少推荐的 Instructions 和 Examples 章节，作者格式不完整，未提供 changelog、明确维护责任人、依赖版本、安装排障文档或 FAQ；给定许可证元数据仍为 NOASSERTION。
文档覆盖 train、evaluate、inference、export，并给出数据源、checkpoint、输出文件和参数示例，理论上可直接指导 TAO ReID 工作流。扣分原因是仅有一个正向评测任务，且基准中 Codex correctness 为 20%、discoverability 为 0%、effectiveness 为 44%；未提供代表性实际产物或独立结果验证，因此只能确认核心指导价值，不能确认稳定的端到端收益。
证据包括提交内的 SKILL.md、schema、模板、配置映射、评测报告和单个评测用例，具备一定审计基础。扣分原因是没有可执行测试套件或 CI 覆盖关键动作，评测样本仅一个、无负向任务，且未提供跨来源复核；本次结论完全基于静态材料。
- 执行会接触人员重识别数据，但未说明隐私、保留期限、访问控制或跨境数据处理要求。
- W&B 默认启用，需在运行前确认是否会上传指标、代码或元数据，并核对网络和组织合规性。
- AutoML 路由、checkpoint 选择、Docker 镜像和数据源均缺少本次静态审查之外的端到端验证；建议先用隔离数据和可回收输出目录验证。
- 基准样本极少且 Codex 发现率为 0%，实际使用时应显式确认该技能是否被正确触发。
这个 Skill 能做什么，适合哪些场景？
该技能面向 NVIDIA TAO Toolkit 的人员重识别模型，通过度量学习生成可区分的人员嵌入，用于跨摄像头匹配。它支持训练、评估、推理和导出，并在训练阶段默认启用 AutoML。评估需要测试集和查询集，以计算 CMC 与 mAP 等检索指标。运行环境需要 Docker 和 NVIDIA Container Toolkit，最低需要 1 张 GPU。
读取并应用 TAO ReID 的训练、评估、推理和导出配置；根据数据集要求设置训练集、测试集和查询集路径；运行训练或 AutoML 训练流程，支持从检查点恢复；使用测试集和查询集评估 CMC、mAP 等检索指标；导出 ONNX 文件；生成推理 JSON、CMC 曲线图和采样匹配图；根据父任务结果目录解析模型检查点。
- 计算机视觉工程师希望使用自有的人员身份数据训练跨摄像头 ReID 模型。
- 模型评估人员需要使用查询集和图库测试集计算 CMC 与 mAP。
- 部署工程师需要将训练检查点导出为 ONNX 文件。
- 研究人员需要对人员查询图像和图库图像运行 ReID 推理并保存 JSON 结果。
- 训练人员需要从已有检查点恢复训练，或通过 AutoML 优化 cmc_rank_1。
这个 Skill 有哪些优点和局限？
- 覆盖训练、评估、推理和 ONNX 导出等完整模型流程。
- 明确规定了训练、查询集和图库数据的用途及路径要求。
- 支持 AutoML，并以 cmc_rank_1 作为默认优化指标。
- 包含多 GPU、检查点传递和常见失败模式的操作指导。
- 最低需要 1 张 GPU，并要求 Docker 与 NVIDIA Container Toolkit。
- 面向单节点 Lightning 工作流，没有显式的 num_nodes 配置。
- 评估和推理依赖同时可用的查询集与测试集，并要求身份命名空间一致。
- 源材料未提供具体 TAO 镜像、完整启动命令或平台测试矩阵。
如何安装这个 Skill？
使用 NVIDIA skills CLI 安装该技能：
npx skills add nvidia/skills --skill tao-train-reid --yes
README 未说明该命令对应的具体本地安装目录；CLI 会提示或按其默认规则选择安装位置。
如何使用这个 Skill？
安装后，可向代理发送例如“train ReID”“person re-identification”或“cross-camera person matching”。训练、评估、推理和导出都必须提供相应的数据源或检查点路径；训练默认使用 AutoML，也可在新任务中指定 automl_policy: off。实际运行还需要 Docker、NVIDIA Container Toolkit 和 GPU。README 与 SKILL.md 未提供完整的 TAO 容器启动命令或具体镜像名称。