tao-train-mask-grounding-dino

Mask Grounding DINO

用于定位实例分割的 Mask Grounding DINO。通过添加掩码预测头扩展 Grounding DINO，实现由文本提示词引导的开放集分割。

设置 train.pretrained_model_path 以使用完整的模型权重。

对于 TAO Deploy TensorRT 操作（gen_trt_engine、TensorRT evaluate 和 TensorRT inference），请先阅读 references/tao-deploy-mask-grounding-dino.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 列出了可用的操作。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，仍需存在且可解析的 schemas/train.schema.json 和 references/spec_template_train.yaml。请使用打包的训练架构获取 automl_default_parameters、automl_disabled_parameters、默认值、最小值/最大值边界、枚举、选项权重、数学条件、依赖项和常用参数。不要假设运行时存在 ~/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前，请先阅读 references/skill_info.yaml，并根据显式的 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”“不要 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，并使用此模型的 skill_dir。保留工作流/应用中的数据集、规范、输出目录、GPU/平台设置、父检查点和 automl_policy 覆盖值。仅当 automl_policy: off 或缺少已打包的训练架构/模板时，才直接训练模型；若缺少架构/模板，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。单次运行的 automl_policy 覆盖值不会更改模型元数据。

训练要求

• 数据集类型： 分割
• 格式： odvg、coco、coco_raw
• 监控指标： [bbox] val_mAP@50

各操作的数据集要求

操作	Spec Key	来源	文件	列表？
evaluate	dataset.test_data_sources	eval_dataset	image_dir: images.tar.gz、json_file: annotations.json	否
inference	dataset.infer_data_sources	inference_dataset	image_dir: images.tar.gz、classmap: label_map.txt、json_file: inference.jsonl、captions: inference.jsonl	否
quantize	dataset.train_data_sources	train_datasets	image_dir: images.tar.gz、json_file: annotations_odvg.jsonl、label_map: annotations_odvg_labelmap.json	是
quantize	dataset.val_data_sources	eval_dataset	image_dir: images.tar.gz、json_file: annotations.json	否
quantize	dataset.quant_calibration_data_sources	train_datasets	image_dir: images.tar.gz、json_file: annotations_odvg.jsonl、label_map: annotations_odvg_labelmap.json	否
train	dataset.train_data_sources	train_datasets	image_dir: images.tar.gz、json_file: annotations_odvg.jsonl、label_map: annotations_odvg_labelmap.json	是
train	dataset.val_data_sources	eval_dataset	image_dir: images.tar.gz、json_file: annotations.json	否

典型的规范覆盖项

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

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

train（必需数据源）：

{
    "train.num_gpus": 1,
    "train.num_epochs": 10,
    "train.checkpoint_interval": 10,
    "train.validation_interval": 10,
    "val_data_sources.data_type": "OD",
    "model.num_region_queries": 100,
    "dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
    "dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}

evaluate（必需数据源）：

{
    "test_data_sources.data_type": "OD",
    "dataset.test_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}

inference（必需数据源）：

{
    "infer_data_sources.data_type": "OD",
    "dataset.infer_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "classmap": f"{S3_EVAL}/label_map.txt", "json_file": f"{S3_EVAL}/inference.jsonl", "captions": f"{S3_EVAL}/inference.jsonl"},
}

quantize（必需数据源）：

{
    "dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
    "dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
    "dataset.quant_calibration_data_sources": {"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"},
}

评估数据集

可选。即使训练使用 ODVG，验证也会使用 COCO 格式的标注。

重要参数

• model.backbone：默认值为 swin_tiny_224_1k。与 Grounding DINO 的主干网络选项相同。
• train.optim.lr：学习率。默认值为 2e-4。lr_backbone 为 2e-5。复用 GDINOTrainExpConfig——训练设置与 Grounding DINO 相同。
• model.num_queries：目标查询数。默认值为 900。
• model.has_mask：启用掩码预测头。默认值为 True。会添加 mask/dice/rela 损失系数。
• model.num_region_queries：用于掩码预测的区域查询数。默认值为 100。
• model.loss_types：损失组件。默认值为 [labels, boxes, masks]。包含 mask_loss_coef、dice_loss_coef、rela_loss_coef。
• evaluate.ioi_threshold：掩码评估的 IoI 阈值。默认值为 0.5。
• evaluate.nms_threshold：NMS 阈值。默认值为 0.2。
• evaluate.text_threshold：文本匹配阈值。默认值为 0.3。
• dataset.has_mask：数据集包含掩码标注。默认值为 True。val_data_sources 的默认 data_type 为 "VG"。

多 GPU / 多节点

**启动方式：**由 Lightning 管理。DDP/FSDP 行为与 Grounding DINO 相同。

Spec Key	说明	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

硬件

至少需要 1 块 GPU，建议使用 4 块 GPU。每块 GPU 需配备 24GB 以上显存（推荐 A100）。由于增加了掩码预测头，资源需求高于 Grounding DINO。建议使用 24GB 以上显存的 GPU。

错误模式

CUDA 显存不足：降低 batch_size。掩码预测会在 Grounding DINO 的基础上增加额外开销。

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。生成的运行脚本应读取本节内容，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 流程一致。

TAO Core mask_grounding_dino.config.json 中的推断映射：

操作	Spec 字段	推断函数	含义
evaluate	encryption_key	key	加密密钥
evaluate	evaluate.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
evaluate	evaluate.trt_engine	parent_model	从父作业结果文件夹推断出的模型文件
evaluate	results_dir	output_dir	当前作业的结果目录
export	encryption_key	key	加密密钥
export	export.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
export	export.onnx_file	create_onnx_file	输出 ONNX 路径
export	results_dir	output_dir	当前作业的结果目录
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出的模型文件
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	当前作业的结果目录
inference	encryption_key	key	加密密钥
inference	inference.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
inference	inference.trt_engine	parent_model	从父作业结果文件夹推断出的模型文件
inference	results_dir	output_dir	当前作业的结果目录
quantize	encryption_key	key	加密密钥
quantize	quantize.model_path	parent_model	从父作业结果文件夹推断出的模型文件
quantize	results_dir	output_dir	当前作业的结果目录
train	encryption_key	key	加密密钥
train	model.pretrained_backbone_path	ptm_if_no_resume_model	不存在恢复训练检查点时使用的 PTM
train	results_dir	output_dir	当前作业的结果目录
train	train.pretrained_model_path	ptm_if_no_resume_model	不存在恢复训练检查点时使用的 PTM
train	train.resume_training_checkpoint_path	resume_model	从当前作业结果文件夹推断出的模型文件

对于 parent_model 或 parent_model_folder，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中的内容，筛选检查点制品，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脚本来猜测检查点路径。

部署

• tao-deploy-mask-grounding-dino — 使用 TAO Deploy 生成 TensorRT 引擎、进行 TensorRT 评估和 TensorRT 推理的 Mask Grounding DINO 部署工作流。