Training & Fine-tuning
Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | omni-ai-eval | exploreomni/omni-agent-skills | Évaluer la génération de requêtes IA d'Omni en comparant résultats attendus et obtenus. | 22 | 1j |
| 2 | huggingface-lora-space-builder | huggingface/skills | Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. | 10 736 | 2j |
| 3 | cuopt-numerical-optimization-formulation | nvidia/skills | Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur. | 1 960 | 3j |
| 4 | cuopt-user-rules | nvidia/skills | Optimiser des problèmes de routage et logistique avec cuOpt via des échanges guidés. | 1 960 | 4j |
| 5 | tao-analyze-changenet-rca | nvidia/skills | Analyser et diagnostiquer visuellement les échecs d'un modèle ChangeNet par investigation multi-phases. | 1 960 | 5j |
| 6 | tao-analyze-gaps-vlm-bcq | nvidia/skills | Analyser les prédictions d'un VLM pour identifier les faux positifs et négatifs. | 1 960 | 5j |
| 7 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 1 960 | 5j |
| 8 | tao-finetune-cosmos-embed | nvidia/skills | Entraîner, évaluer et exporter un modèle d'embedding vidéo-texte pour la recherche sémantique. | 1 960 | 5j |
| 9 | tao-finetune-cosmos-reason | nvidia/skills | Entraîner, évaluer et inférer sur Cosmos-Reason2-8B pour la compréhension vidéo. | 1 960 | 5j |
| 10 | tao-finetune-huggingface-model | nvidia/skills | Affiner localement des modèles HuggingFace sur GPU NVIDIA via un conteneur NGC. | 1 960 | 5j |
| 11 | tao-launch-workflow | nvidia/skills | Valider et lancer des workflows TAO après vérification complète des prérequis plateforme. | 1 960 | 5j |
| 12 | tao-list-capabilities | nvidia/skills | Lister les capacités, modèles et support AutoML disponibles dans TAO Skill Bank. | 1 960 | 5j |
| 13 | tao-mine-aoi-images | nvidia/skills | Embarquer des images cibles et miner les voisins les plus proches dans un pool source. | 1 960 | 5j |
| 14 | tao-port-huggingface-model | nvidia/skills | Intégrer un modèle HuggingFace de vision par ordinateur dans l'écosystème NVIDIA TAO Toolkit. | 1 960 | 5j |
| 15 | tao-run-automl-deft-pipeline | nvidia/skills | Chaîner AutoML et DEFT en trois phases pour optimiser et affiner un modèle itérativement. | 1 960 | 5j |
| 16 | tao-run-automl | nvidia/skills | Automatiser l'optimisation d'hyperparamètres TAO sur toute plateforme GPU compatible. | 1 960 | 5j |
| 17 | tao-run-deft-aoi | nvidia/skills | Lancer et piloter automatiquement la boucle d'amélioration DEFT AOI pour modèle TAO ChangeNet. | 1 960 | 5j |
| 18 | tao-run-inference-service | nvidia/skills | Déployer et interroger des microservices d'inférence TAO sur plusieurs plateformes cloud. | 1 960 | 5j |
| 19 | tao-run-platform | nvidia/skills | Gérer des jobs TAO avec handles, I/O S3 et support multi-plateformes GPU. | 1 960 | 5j |
| 20 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 1 960 | 5j |
| 21 | tao-train-bevfusion | nvidia/skills | Fusionner LiDAR et caméras en espace BEV pour la détection 3D autonome. | 1 960 | 5j |
| 22 | tao-train-centerpose | nvidia/skills | Estimer la pose 6-DoF d'objets via détection de centres et régression de points clés. | 1 960 | 5j |
| 23 | tao-train-deformable-detr | nvidia/skills | Détecter des objets 2D efficacement avec Deformable DETR multi-échelle. | 1 960 | 5j |
| 24 | tao-train-depth-anything-v2 | nvidia/skills | Estimer la profondeur par pixel depuis des images RGB monoculaires avec Depth Anything v2. | 1 960 | 5j |
| 25 | tao-train-dino | nvidia/skills | Détecter des objets 2D avec DINO via entraînement AutoML et déploiement TensorRT. | 1 960 | 5j |
| 26 | tao-train-fast-foundation-stereo | nvidia/skills | Estimer en temps réel la profondeur stéréo avec FastFoundationStereo via TAO. | 1 960 | 5j |
| 27 | tao-train-foundation-stereo | nvidia/skills | Estimer la profondeur stéréo et reconstruire des scènes 3D via FoundationStereo. | 1 960 | 5j |
| 28 | tao-train-grounding-dino | nvidia/skills | Détecter des objets dans des images via des descriptions textuelles sans vocabulaire de classes fixe. | 1 960 | 5j |
| 29 | tao-train-image-classification | nvidia/skills | Entraîner et déployer des modèles de classification d'images PyTorch avec AutoML. | 1 960 | 5j |
| 30 | tao-train-mask-auto-encoder | nvidia/skills | Pré-entraîner et affiner un Masked Autoencoder pour apprendre des représentations visuelles. | 1 960 | 5j |
| 31 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 1 960 | 5j |
| 32 | tao-train-mask-grounding-dino | nvidia/skills | Segmenter des instances ouvertes guidées par prompts texte avec Grounding DINO masqué. | 1 960 | 5j |
| 33 | tao-train-mask2former | nvidia/skills | Segmenter des images en mode panoptique, d'instance et sémantique avec Mask2Former. | 1 960 | 5j |
| 34 | tao-train-metric-learning-recognition | nvidia/skills | Entraîner un modèle de reconnaissance visuelle fine par metric learning avec AutoML. | 1 960 | 5j |
| 35 | tao-train-nvdinov2 | nvidia/skills | Entraîner des transformeurs visuels par auto-distillation sans étiquettes avec NVDINOv2. | 1 960 | 5j |
| 36 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 1 960 | 5j |
| 37 | tao-train-ocdnet | nvidia/skills | Détecter des zones de texte orienté dans des images naturelles via binarisation différentiable. | 1 960 | 5j |
| 38 | tao-train-ocrnet | nvidia/skills | Reconnaître et entraîner un modèle OCR sur des images de texte découpées. | 1 960 | 5j |
| 39 | tao-train-oneformer | nvidia/skills | Segmenter des images universellement en combinant segmentation panoptique, sémantique et d'instances. | 1 960 | 5j |
| 40 | tao-train-optical-inspection | nvidia/skills | Détecter des défauts de fabrication par comparaison d'images avec des réseaux siamois. | 1 960 | 5j |
| 41 | tao-train-pointpillars | nvidia/skills | Détecter des objets 3D depuis des nuages de points LiDAR via PointPillars. | 1 960 | 5j |
| 42 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 1 960 | 5j |
| 43 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 1 960 | 5j |
| 44 | tao-train-rtdetr | nvidia/skills | Entraîner et déployer un modèle de détection d'objets 2D en temps réel. | 1 960 | 5j |
| 45 | tao-train-segformer | nvidia/skills | Segmenter des images sémantiquement avec SegFormer, un transformer léger hiérarchique. | 1 960 | 5j |
| 46 | tao-train-single-step | nvidia/skills | Entraîner, évaluer et exporter un modèle TAO via fine-tuning supervisé standard. | 1 960 | 5j |
| 47 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 1 960 | 5j |
| 48 | tao-train-visual-changenet | nvidia/skills | Détecter et segmenter des défauts visuels par comparaison de paires d'images avec TAO Toolkit. | 1 960 | 5j |
| 49 | jetson-inference-mem-tune | nvidia/skills | Recommander un runtime d'inférence et ses flags mémoire optimaux pour Jetson. | 1 960 | 5j |
| 50 | jetson-llm-benchmark | nvidia/skills | Mesurer les performances LLM sur Jetson avec sortie JSON structurée et comparable. | 1 960 | 5j |
À propos de cette sélection
Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier.
Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.