tao-train-mask-auto-encoder

MAE

用于自监督预训练和微调的 MAE（掩码自编码器）。随机遮蔽图像块并重建，以学习视觉表示。支持预训练和微调阶段。

微调时，将预训练的 MAE 权重设置为 train.pretrained_model_path。

对于 TAO Deploy TensorRT 操作（gen_trt_engine），请先阅读 references/tao-deploy-mask-auto-encoder.md。部署规范模板位于此技能的 references/ 文件夹中，文件名前缀为 spec_template_deploy_*.yaml。

Dataclass 架构

生成的 TAO Core 架构打包在 schemas/<action>.schema.json 中，schemas/manifest.json 列出了可用操作。每个生成的架构还会根据架构顶层的 default 字段生成 references/spec_template_<action>.yaml。AutoML 是否启用由模型层的 references/skill_info.yaml 中的 automl_enabled 声明。要运行 AutoML，还必须存在并且能够解析 schemas/train.schema.json 和 references/spec_template_train.yaml。使用打包的 train 架构获取 automl_default_parameters、automl_disabled_parameters、默认值、最小值/最大值范围、枚举、选项权重、数学条件、依赖项和常用参数。不要期望运行时存在 ~/tao-core；维护者会在打包技能库之前重新生成架构/模板。

训练操作策略

此模型在模型层启用了 AutoML。处理任何训练阶段请求之前，请先阅读 references/skill_info.yaml，并根据明确指定的 automl_policy 值或用户的工作流请求确定本次运行的策略。将“关闭 AutoML”“禁用 AutoML”“不进行 HPO”或“普通训练”等表述视为仅对本次运行设置 automl_policy: off；否则默认为 auto。当 automl_policy: auto、automl_enabled: true，且已打包 schemas/train.schema.json 和 references/spec_template_train.yaml 时，默认通过 tao-skill-bank:tao-run-automl 执行训练操作，并传入此模型的 skill_dir。保留工作流/应用覆盖项，包括数据集、规范、输出目录、GPU/平台设置、父检查点和 automl_policy。仅在 automl_policy: off 或缺少打包的训练架构/模板时，才直接训练模型；如果缺少架构，请说明此模型已启用 AutoML，但在生成架构之前无法运行 AutoML。

evaluate、inference、export 和部署流程等非训练操作仍由此模型技能处理。每次运行的 automl_policy 覆盖项不会更改模型元数据。

训练要求

• 数据集类型： image_classification
• 格式： ssl
• 接受的数据集用途： 训练、评估、测试
• 监控指标： train_loss

各操作的数据集要求

操作	规范键	来源	文件	列表？
train	dataset.train_data_sources	train_datasets	images_train.tar.gz	否
train	dataset.val_data_sources	eval_dataset	images_val.tar.gz	否
evaluate	dataset.val_data_sources	eval_dataset	images_val.tar.gz	否
inference	dataset.test_data_sources	inference_dataset	images_test.tar.gz	否

典型规范覆盖项

每个操作都必须覆盖数据源——Agent 必须根据上方“各操作的数据集要求”表构造数据源路径，并将其包含在 spec_overrides 中。

S3_TRAIN = "s3://bucket/data/train"
S3_EVAL = "s3://bucket/data/eval"

train（必须指定数据源）：

{
    "dataset.train_data_sources": f"{S3_TRAIN}/images_train.tar.gz",
    "dataset.val_data_sources": f"{S3_EVAL}/images_val.tar.gz",
    "train.num_epochs": 10,
    "train.optim.lr": 2e-4,
}

evaluate（必须指定数据源）：

{
    "dataset.val_data_sources": f"{S3_EVAL}/images_val.tar.gz",
}

inference（必须指定数据源）：

{
    "dataset.test_data_sources": f"{S3_EVAL}/images_test.tar.gz",
}

评估数据集

可选。预训练不需要评估数据。微调可选择使用验证集。

重要参数

• train.stage：训练阶段。可选项：pretrain、finetune。Pretrain 通过掩码学习表征。Finetune 添加分类头。
• model.arch：架构。默认值为 convnextv2_base。选项丰富，包括 ConvNeXt、Hiera、ViT 的各种变体。
• model.num_classes：微调的类别数。默认值为 1000（ImageNet）。仅适用于 finetune 阶段。
• model.mask_ratio：预训练期间需要掩码的图块比例。通常为 0.75。
• model.norm_pix_loss：是否在重建损失中对像素值进行归一化。
• train.optim.lr：学习率。默认值为 2e-4。
• dataset.augmentation：数据增强设置，包括微调时使用的 mixup、cutmix。

多 GPU / 多节点

**启动方式：**由 Lightning 管理（单个 python 进程，Lightning 会生成工作进程）。

Spec Key	描述	默认值
train.num_gpus	GPU 数量	1
train.gpu_ids	GPU 设备索引	[0]
train.num_nodes	节点数量	1
train.distributed_strategy	ddp 或 fsdp	ddp

• ddp 使用 find_unused_parameters=True
• fsdp 强制使用 FP16
• 强烈建议使用多 GPU 进行预训练（需要较大的批次大小）

多节点环境变量（由编排器设置）：WORLD_SIZE、NODE_RANK、MASTER_ADDR、MASTER_PORT、NUM_GPU_PER_NODE。

硬件

至少需要 2 个 GPU，建议使用 8 个 GPU。每个 GPU 需要 24GB 以上显存（建议使用 A100）。MAE 预训练得益于在多 GPU 上使用较大的批次大小。微调的资源需求则相对较低。

错误模式

阶段不匹配：确保 train.stage 符合你的意图（pretrain 或 finetune）。如果没有指定 pretrained_model_path，微调将从头开始训练。

num_classes 不匹配（仅 finetune）：微调时，确保 model.num_classes 与数据集的类别数一致。

Spec 参数 / 父模型推断

特定于模型的推断映射应放在此 MD 文件中，而不是 config.json 中。生成的运行器应读取此部分，并在 create_job() 之前使用 SDK 辅助函数应用这些映射。这与旧版微服务的 infer_params.py 流程相同。

来自 TAO Core mae.config.json 的推断映射：

Action	Spec Field	Inference Function	Meaning
evaluate	encryption_key	key	加密密钥
evaluate	evaluate.checkpoint	parent_model	从父作业结果文件夹推断的模型文件
evaluate	evaluate.trt_engine	parent_model	从父作业结果文件夹推断的模型文件
evaluate	results_dir	output_dir	当前作业结果目录
export	encryption_key	key	加密密钥
export	export.checkpoint	parent_model	从父作业结果文件夹推断的模型文件
export	export.onnx_file	create_onnx_file	输出 ONNX 路径
export	results_dir	output_dir	当前作业结果目录
gen_trt_engine	encryption_key	key	加密密钥
gen_trt_engine	gen_trt_engine.onnx_file	parent_model	从父作业结果文件夹推断的模型文件
gen_trt_engine	gen_trt_engine.trt_engine	create_engine_file	输出 TensorRT 引擎路径
gen_trt_engine	results_dir	output_dir	当前作业结果目录
inference	encryption_key	key	加密密钥
inference	inference.checkpoint	parent_model	从父作业结果文件夹推断的模型文件
inference	inference.trt_engine	parent_model	从父作业结果文件夹推断的模型文件
inference	results_dir	output_dir	当前作业结果目录
train	encryption_key	key	加密密钥
train	results_dir	output_dir	当前作业结果目录
train	train.pretrained_model_path	ptm_if_no_resume_model	不存在恢复检查点时使用的 PTM
train	train.resume_training_checkpoint_path	resume_model	从当前作业结果文件夹推断的模型文件

对于 parent_model 或 parent_model_folder，请将上游 train/export/AutoML 子作业 ID 作为 parent_job_id 传入。SDK 会列出父结果文件夹、筛选检查点产物，并返回选定的模型文件或文件夹。不要将这些映射重新添加到 config.json 中，也不要修改生成的运行器脚本来猜测检查点路径。

部署

• tao-deploy-mask-auto-encoder — 使用 TAO Deploy 生成 TensorRT 引擎的 MAE 部署工作流。