tao-train-single-step

通常のトレーニング

スタンドアロンでインストールしますか？ このセッションが TAO skill bank プラグインによって初期化されていない場合は、まず tao-setup スキルを実行してください（ホストの事前チェック、認証情報、スキル横断の検出）。

標準的な教師ありファインチューニングです。ラベル付きデータセットでモデルをトレーニングし、必要に応じて評価した後、任意でエクスポートします。事前トレーニング済みモデルを新しいデータセットに適応させる、最も一般的な TAO ワークフローです。

手順

1. train — 選択したモデルの automl_enabled: true かつ automl_policy が on の場合、AutoML を通じて実行されます。 通常の単一トレーニング実行にするには automl_policy=off を設定します
2. eval — eval_dataset_uri が解決された場合に実行されます
3. export — トレーニング後、ユーザーのリクエストに応じて任意で実行します

前提条件

選択したモデルスキルで解決された container_image が、デフォルトのトレーニングランタイムです。ユーザーからその実行モードを明示的にリクエストされない限り、ホストの venv、uv 環境、汎用トレーニングイメージ、手書きのトレーナーに置き換えないでください。SDK／コントローラーの Python 環境はコントロールプレーン専用です。モデルの処理は引き続きコンテナー内で実行します。

必須

• model：互換性のある TAO モデル（例：clip、nvdinov2、grounding_dino）
• train_dataset_uri：トレーニングデータセットの URI（例：s3://bucket/train/）
• platform：インストール済みのプラットフォームスキル（tao-run-on-docker / -slurm / -kubernetes / -brev、および外部プラットフォームがあればそのスキル）から実行プラットフォームを検出します。ランタイムでコアルータースキルのみが表示される場合は、skills/platform/tao-run-on-*/SKILL.md のフロントマターを読み取ります。
• コンテナーイメージの確認：選択した モデル／アクションの設定からデフォルトイメージを解決してユーザーに提示し、 ランナーファイルの作成またはトレーニングの送信前に、ユーザーの確認または image=<override> の指定を必須とします。

任意

• eval_dataset_uri：モデルスキルによっては必須とされています。任意として扱う前に、解決されたモデルスキルを確認してください。
• base_checkpoint：指定されない場合は、モデルスキルに記載された NGC 事前トレーニング済みチェックポイントがデフォルトで使用されます。NGC チェックポイントが存在しない場合は、スクラッチからトレーニングします。
• automl_policy：デフォルトは on です。off に設定すると、モデルのメタデータを変更せずに、この実行でモデルレベルの AutoML を回避できます。新しい起動設定では on／off のみを使用してください。
• イメージのオーバーライド：解決されたデフォルトを確認した後、特定の TAO toolkit ビルドを固定するには image=<override> を使用します。

起動時の確認事項

ユーザーがこの標準的な学習／評価／エクスポートのワークフローを実行すると確認した後、使用する対応プラットフォームを尋ねます。インストール済みのプラットフォームスキル（tao-run-on-docker / -slurm / -kubernetes / -brev、および外部のもの）から実行プラットフォームを特定します。コアのルータースキルのみが表示されるランタイムでは、 skills/platform/tao-run-on-*/SKILL.md のフロントマターを読みます。

通常の学習ランナーを作成する前に、scripts/list_tao_models.py --scope automl --format json を使うか、 skills/models/<network>/references/skill_info.yaml を読み、選択したモデルのメタデータを確認します。automl_enabled が true で、ヘルパーがそのモデルに有効な学習スキーマがあると報告した場合、デフォルトでは学習ステージを skills/applications/tao-run-automl 経由で実行します。通常の学習フローを使うのは、 automl_policy=off の場合、ユーザーが HPO／AutoML を明示的に使わないよう求めた場合、または AutoML が有効でもモデルの学習スキーマがまだパッケージ化されておらず実行できない場合に限ります。

長時間のモニタリングを有効のままにするか、ステータスを更新する間隔を何分にするかも尋ねます。デフォルトは有効、5 分です。

モデルとアクションが決まったら、scripts/resolve_tao_image.py --model <network> --action train --format text を実行し、解決されたイメージを使うか、image=<override> を指定するか尋ねます。イメージが確定するまで tao-train-single-step ランナーを作成してはいけません。

プラットフォームを選択した後、選択したプラットフォームスキルの ## Credentials セクションと references/skill_info.yaml（required_credentials / credential_groups）を読み、そのプラットフォームに関連する認証情報と、選択したモデルの認証情報のみを尋ねます。無関係なプラットフォームの認証情報は尋ねないでください。