Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | omni-to-databricks-metric-view | exploreomni/omni-agent-skills | Convertir un topic Omni en Databricks Metric View via CLI et YAML. | 22 | 1j |
| 2 | cosmos-dbt-core | astronomer/agents | Intégrer dbt Core dans Airflow via Cosmos avec la configuration optimale. | 393 | 2j |
| 3 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 10 736 | 2j |
| 4 | huggingface-lora-space-builder | huggingface/skills | Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. | 10 736 | 2j |
| 5 | cuopt-user-rules | nvidia/skills | Optimiser des problèmes de routage et logistique avec cuOpt via des échanges guidés. | 1 960 | 4j |
| 6 | tao-analyze-changenet-rca | nvidia/skills | Analyser et diagnostiquer visuellement les échecs d'un modèle ChangeNet par investigation multi-phases. | 1 960 | 5j |
| 7 | tao-analyze-gaps-visual-changenet | nvidia/skills | Identifier les échantillons les plus faibles d'un modèle VCN TAO pour cibler l'augmentation. | 1 960 | 5j |
| 8 | tao-analyze-gaps-vlm-bcq | nvidia/skills | Analyser les prédictions d'un VLM pour identifier les faux positifs et négatifs. | 1 960 | 5j |
| 9 | tao-convert-dataset-format | nvidia/skills | Convertir des datasets DAFT entre formats supportés via la CLI tao-daft. | 1 960 | 5j |
| 10 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 1 960 | 5j |
| 11 | tao-finetune-cosmos-embed | nvidia/skills | Entraîner, évaluer et exporter un modèle d'embedding vidéo-texte pour la recherche sémantique. | 1 960 | 5j |
| 12 | tao-finetune-cosmos-reason | nvidia/skills | Entraîner, évaluer et inférer sur Cosmos-Reason2-8B pour la compréhension vidéo. | 1 960 | 5j |
| 13 | tao-finetune-huggingface-model | nvidia/skills | Affiner localement des modèles HuggingFace sur GPU NVIDIA via un conteneur NGC. | 1 960 | 5j |
| 14 | tao-list-capabilities | nvidia/skills | Lister les capacités, modèles et support AutoML disponibles dans TAO Skill Bank. | 1 960 | 5j |
| 15 | tao-mine-aoi-images | nvidia/skills | Embarquer des images cibles et miner les voisins les plus proches dans un pool source. | 1 960 | 5j |
| 16 | tao-port-huggingface-model | nvidia/skills | Intégrer un modèle HuggingFace de vision par ordinateur dans l'écosystème NVIDIA TAO Toolkit. | 1 960 | 5j |
| 17 | tao-route-visual-changenet-samples | nvidia/skills | Router les labels de gaps VCN vers les modules k-NN Mining et AnomalyGen de façon auditable. | 1 960 | 5j |
| 18 | tao-run-automl-deft-pipeline | nvidia/skills | Chaîner AutoML et DEFT en trois phases pour optimiser et affiner un modèle itérativement. | 1 960 | 5j |
| 19 | tao-run-automl | nvidia/skills | Automatiser l'optimisation d'hyperparamètres TAO sur toute plateforme GPU compatible. | 1 960 | 5j |
| 20 | tao-run-platform | nvidia/skills | Gérer des jobs TAO avec handles, I/O S3 et support multi-plateformes GPU. | 1 960 | 5j |
| 21 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 1 960 | 5j |
| 22 | tao-train-bevfusion | nvidia/skills | Fusionner LiDAR et caméras en espace BEV pour la détection 3D autonome. | 1 960 | 5j |
| 23 | tao-run-deft-aoi | nvidia/skills | Lancer et piloter automatiquement la boucle d'amélioration DEFT AOI pour modèle TAO ChangeNet. | 1 960 | 5j |
| 24 | tao-train-centerpose | nvidia/skills | Estimer la pose 6-DoF d'objets via détection de centres et régression de points clés. | 1 960 | 5j |
| 25 | tao-train-deformable-detr | nvidia/skills | Détecter des objets 2D efficacement avec Deformable DETR multi-échelle. | 1 960 | 5j |
| 26 | tao-train-depth-anything-v2 | nvidia/skills | Estimer la profondeur par pixel depuis des images RGB monoculaires avec Depth Anything v2. | 1 960 | 5j |
| 27 | tao-train-dino | nvidia/skills | Détecter des objets 2D avec DINO via entraînement AutoML et déploiement TensorRT. | 1 960 | 5j |
| 28 | tao-train-fast-foundation-stereo | nvidia/skills | Estimer en temps réel la profondeur stéréo avec FastFoundationStereo via TAO. | 1 960 | 5j |
| 29 | tao-train-foundation-stereo | nvidia/skills | Estimer la profondeur stéréo et reconstruire des scènes 3D via FoundationStereo. | 1 960 | 5j |
| 30 | tao-train-grounding-dino | nvidia/skills | Détecter des objets dans des images via des descriptions textuelles sans vocabulaire de classes fixe. | 1 960 | 5j |
| 31 | tao-train-image-classification | nvidia/skills | Entraîner et déployer des modèles de classification d'images PyTorch avec AutoML. | 1 960 | 5j |
| 32 | tao-train-mask-auto-encoder | nvidia/skills | Pré-entraîner et affiner un Masked Autoencoder pour apprendre des représentations visuelles. | 1 960 | 5j |
| 33 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 1 960 | 5j |
| 34 | tao-train-mask-grounding-dino | nvidia/skills | Segmenter des instances ouvertes guidées par prompts texte avec Grounding DINO masqué. | 1 960 | 5j |
| 35 | tao-train-mask2former | nvidia/skills | Segmenter des images en mode panoptique, d'instance et sémantique avec Mask2Former. | 1 960 | 5j |
| 36 | tao-train-metric-learning-recognition | nvidia/skills | Entraîner un modèle de reconnaissance visuelle fine par metric learning avec AutoML. | 1 960 | 5j |
| 37 | tao-train-nvdinov2 | nvidia/skills | Entraîner des transformeurs visuels par auto-distillation sans étiquettes avec NVDINOv2. | 1 960 | 5j |
| 38 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 1 960 | 5j |
| 39 | tao-train-ocdnet | nvidia/skills | Détecter des zones de texte orienté dans des images naturelles via binarisation différentiable. | 1 960 | 5j |
| 40 | tao-train-ocrnet | nvidia/skills | Reconnaître et entraîner un modèle OCR sur des images de texte découpées. | 1 960 | 5j |
| 41 | tao-train-oneformer | nvidia/skills | Segmenter des images universellement en combinant segmentation panoptique, sémantique et d'instances. | 1 960 | 5j |
| 42 | tao-train-optical-inspection | nvidia/skills | Détecter des défauts de fabrication par comparaison d'images avec des réseaux siamois. | 1 960 | 5j |
| 43 | tao-train-pointpillars | nvidia/skills | Détecter des objets 3D depuis des nuages de points LiDAR via PointPillars. | 1 960 | 5j |
| 44 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 1 960 | 5j |
| 45 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 1 960 | 5j |
| 46 | tao-train-rtdetr | nvidia/skills | Entraîner et déployer un modèle de détection d'objets 2D en temps réel. | 1 960 | 5j |
| 47 | tao-train-segformer | nvidia/skills | Segmenter des images sémantiquement avec SegFormer, un transformer léger hiérarchique. | 1 960 | 5j |
| 48 | tao-train-single-step | nvidia/skills | Entraîner, évaluer et exporter un modèle TAO via fine-tuning supervisé standard. | 1 960 | 5j |
| 49 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 1 960 | 5j |
| 50 | tao-train-visual-changenet | nvidia/skills | Détecter et segmenter des défauts visuels par comparaison de paires d'images avec TAO Toolkit. | 1 960 | 5j |
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.