Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 11 102 | 1j |
| 2 | nvmolkit-usage | nvidia/skills | Accélérer sur GPU le traitement par lots de molécules RDKit avec nvMolKit. | 3 438 | 2j |
| 3 | openfold2-nim | nvidia/skills | Prédire la structure 3D d'une protéine à partir de sa séquence d'acides aminés. | 3 438 | 2j |
| 4 | msa-structure-prediction-pipeline | nvidia/skills | Prédire la structure 3D d'une protéine via MSA-Search et OpenFold3 chaînés. | 3 438 | 2j |
| 5 | vss-benchmark-vlm-qa | nvidia-ai-blueprints/video-search-and-summarization | Benchmarker la précision et la latence d'un VLM vidéo via vss vlm run. | 1 875 | 2j |
| 6 | vss-benchmark-video-summarization | nvidia-ai-blueprints/video-search-and-summarization | Mesurer la latence et les performances d'une instance LVS pour identifier les goulots d'étranglement GPU. | 1 875 | 2j |
| 7 | vss-evaluate-caption-accuracy | nvidia-ai-blueprints/video-search-and-summarization | Évaluer l'impact d'une modification RT-VLM sur la qualité des légendes vidéo générées. | 1 875 | 2j |
| 8 | vss-search-archive | nvidia-ai-blueprints/video-search-and-summarization | Rechercher dans des archives vidéo via CLI VSS en respectant les sources exactes. | 1 875 | 2j |
| 9 | nemotron-voice-agent-builder | nvidia/skills | Créer ou mettre à jour un agent vocal NVIDIA temps réel avec pipeline audio complet. | 3 438 | 2j |
| 10 | gemini-api-dev | google-gemini/gemini-skills | Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. | 4 212 | 2j |
| 11 | upgrading-dbt | dbt-labs/dbt-agent-skills | Migrer un projet dbt v1 vers la version 1.12 en appliquant les correctifs adaptés. | 726 | 2j |
| 12 | paidf-augmentation | nvidia/skills | Orchestrer un pipeline d'augmentation de données visuelles via des modèles génératifs NVIDIA distants. | 3 438 | 2j |
| 13 | tao-validate-recipe-transfer | nvidia/skills | Transférer un pipeline CV publié sur des données client sans hériter de ses bugs silencieux. | 3 438 | 3j |
| 14 | tao-train-dinov3 | nvidia/skills | Entraîner, convertir et exporter un backbone DINOv3 sur images non étiquetées. | 3 438 | 3j |
| 15 | tao-train-codetr | nvidia/skills | Entraîner et évaluer un détecteur Co-DETR haute précision via NVIDIA TAO. | 3 438 | 3j |
| 16 | tao-run-on-virtualenv | nvidia/skills | Exécuter un script Python natif dans un virtualenv local sans Docker. | 3 438 | 3j |
| 17 | tao-run-deft-object-detection | nvidia/skills | Orchestrer la boucle complète d'augmentation intelligente pour un modèle Grounding DINO. | 3 438 | 3j |
| 18 | tao-run-deft-cr-its-mining | nvidia/skills | Orchestrer un pipeline de minage itératif TAO DEFT avec fine-tuning et évaluation automatisés. | 3 438 | 3j |
| 19 | tao-run-deft-aoi-cosmos3 | nvidia/skills | Orchestrer un pipeline DEFT complet avec gestion d'état, GPU et air-gap. | 3 438 | 3j |
| 20 | tao-mine-od-images | nvidia/skills | Lancer le minage TAO pour sélectionner des images uniques via correspondance de voisins. | 3 438 | 3j |
| 21 | tao-mine-nearest-neighbors | nvidia/skills | Exécuter un minage de voisins les plus proches sur des embeddings parquet via TAO Data Services. | 3 438 | 3j |
| 22 | tao-generate-image-embeddings | nvidia/skills | Générer des embeddings d'images avec CLIP ou SigLIP via TAO Data Services. | 3 438 | 3j |
| 23 | tao-finetune-video-clip | nvidia/skills | Entraîner, évaluer et déployer InternVideo2-CLIP via le framework TAO de NVIDIA. | 3 438 | 3j |
| 24 | tao-finetune-nv-tesseract-forecasting | nvidia/skills | Prévoir des séries temporelles multivariées avec modes standard, DARR et interprétabilité. | 3 438 | 3j |
| 25 | tao-finetune-nv-tesseract-ad-diffusion | nvidia/skills | Détecter des anomalies dans des séries temporelles multivariées via diffusion adaptative. | 3 438 | 3j |
| 26 | tao-data-io | nvidia/skills | Gérer le transfert de données vers et depuis un conteneur de calcul IA selon la stratégie de… | 3 438 | 3j |
| 27 | tao-analyze-detection-kpi | nvidia/skills | Analyser les KPI de détection d'objets en comparant annotations inférées et vérité terrain. | 3 438 | 3j |
| 28 | tao-validate-dataset-format | nvidia/skills | Valider un dataset DAFT avec tao-daft validate et interpréter les résultats. | 3 438 | 3j |
| 29 | tao-train-visual-changenet | nvidia/skills | Détecter et segmenter des défauts visuels par comparaison de paires d'images avec TAO Toolkit. | 3 438 | 3j |
| 30 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 3 438 | 3j |
| 31 | tao-train-single-step | nvidia/skills | Entraîner, évaluer et exporter un modèle TAO via fine-tuning supervisé standard. | 3 438 | 3j |
| 32 | tao-train-segformer | nvidia/skills | Segmenter des images sémantiquement avec SegFormer, un transformer léger hiérarchique. | 3 438 | 3j |
| 33 | tao-train-rtdetr | nvidia/skills | Entraîner et déployer un modèle de détection d'objets 2D en temps réel. | 3 438 | 3j |
| 34 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 3 438 | 3j |
| 35 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 3 438 | 3j |
| 36 | tao-train-pointpillars | nvidia/skills | Détecter des objets 3D depuis des nuages de points LiDAR via PointPillars. | 3 438 | 3j |
| 37 | tao-train-optical-inspection | nvidia/skills | Détecter des défauts de fabrication par comparaison d'images avec des réseaux siamois. | 3 438 | 3j |
| 38 | tao-train-oneformer | nvidia/skills | Segmenter des images universellement en combinant segmentation panoptique, sémantique et d'instances. | 3 438 | 3j |
| 39 | tao-train-ocrnet | nvidia/skills | Reconnaître et entraîner un modèle OCR sur des images de texte découpées. | 3 438 | 3j |
| 40 | tao-train-ocdnet | nvidia/skills | Détecter des zones de texte orienté dans des images naturelles via binarisation différentiable. | 3 438 | 3j |
| 41 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 3 438 | 3j |
| 42 | tao-train-nvdinov2 | nvidia/skills | Entraîner des transformeurs visuels par auto-distillation sans étiquettes avec NVDINOv2. | 3 438 | 3j |
| 43 | tao-train-metric-learning-recognition | nvidia/skills | Entraîner un modèle de reconnaissance visuelle fine par metric learning avec AutoML. | 3 438 | 3j |
| 44 | tao-train-mask2former | nvidia/skills | Segmenter des images en mode panoptique, d'instance et sémantique avec Mask2Former. | 3 438 | 3j |
| 45 | tao-train-mask-grounding-dino | nvidia/skills | Segmenter des instances ouvertes guidées par prompts texte avec Grounding DINO masqué. | 3 438 | 3j |
| 46 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 3 438 | 3j |
| 47 | tao-train-mask-auto-encoder | nvidia/skills | Pré-entraîner et affiner un Masked Autoencoder pour apprendre des représentations visuelles. | 3 438 | 3j |
| 48 | tao-train-image-classification | nvidia/skills | Entraîner et déployer des modèles de classification d'images PyTorch avec AutoML. | 3 438 | 3j |
| 49 | tao-train-grounding-dino | nvidia/skills | Détecter des objets dans des images via des descriptions textuelles sans vocabulaire de classes fixe. | 3 438 | 3j |
| 50 | tao-train-foundation-stereo | nvidia/skills | Estimer la profondeur stéréo et reconstruire des scènes 3D via FoundationStereo. | 3 438 | 3j |
À propos de cette sélection
L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.