tao-train-mask2former

Mask2Former

用于通用图像分割（全景、实例和语义）的 Mask2Former。基于 Transformer，采用掩码注意力，可实现高质量的分割结果。

设置 model.backbone.pretrained_weights 以指定 Swin 主干网络权重。

对于 TAO Deploy TensorRT 操作（gen_trt_engine、TensorRT evaluate 和 TensorRT inference），请先阅读 references/tao-deploy-mask2former.md。Deploy 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。每个生成的架构也会根据架构顶层的 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。使用打包的训练架构来获取 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。运行时不要依赖 ~/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覆盖设置。将“关闭 AutoML”“禁用 AutoML”“不要 HPO”或“普通训练”等表达视为本次运行的 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／应用对数据集、规范、输出目录、GPU／平台设置、父检查点和 automl_policy 的覆盖设置。仅当 automl_policy: off 或缺少打包的训练架构／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 覆盖设置不会更改模型元数据。

训练要求

• 数据集类型： 分割
• 格式： coco_panoptic、coco
• 监控指标： mIoU

Per-Action Dataset Requirements

Action	Spec Key	Source	Files	List?
evaluate	dataset.train.img_dir	train_datasets	images.tar.gz	No
evaluate	dataset.label_map	train_datasets	coco_panoptic: label_map_panoptic.json; *: label_map.json	No
evaluate	dataset.train.instance_json	train_datasets	annotations.json	No
evaluate	dataset.train.panoptic_json	train_datasets	annotations_panoptic.json	No
evaluate	dataset.train.panoptic_dir	train_datasets	images_panoptic.tar.gz	No
evaluate	dataset.val.img_dir	eval_dataset	images.tar.gz	No
evaluate	dataset.val.instance_json	eval_dataset	annotations.json	No
evaluate	dataset.val.panoptic_json	eval_dataset	annotations_panoptic.json	No
evaluate	dataset.val.panoptic_dir	eval_dataset	images_panoptic.tar.gz	No
evaluate	dataset.test.img_dir	eval_dataset	images.tar.gz	No
inference	dataset.train.img_dir	train_datasets	images.tar.gz	No
inference	dataset.label_map	train_datasets	coco_panoptic: label_map_panoptic.json; *: label_map.json	No
inference	dataset.train.instance_json	train_datasets	annotations.json	No
inference	dataset.train.panoptic_json	train_datasets	annotations_panoptic.json	No
inference	dataset.train.panoptic_dir	train_datasets	images_panoptic.tar.gz	No
inference	dataset.val.img_dir	eval_dataset	images.tar.gz	No
inference	dataset.val.instance_json	eval_dataset	annotations.json	No
inference	dataset.val.panoptic_json	eval_dataset	annotations_panoptic.json	No
inference	dataset.val.panoptic_dir	eval_dataset	images_panoptic.tar.gz	No
inference	dataset.test.img_dir	eval_dataset	images.tar.gz	No
quantize	dataset.train.img_dir	train_datasets	images.tar.gz	No
quantize	dataset.label_map	train_datasets	coco_panoptic: label_map_panoptic.json; *: label_map.json	No
quantize	dataset.train.instance_json	train_datasets	annotations.json	No
quantize	dataset.train.panoptic_json	train_datasets	annotations_panoptic.json	No
quantize	dataset.train.panoptic_dir	train_datasets	images_panoptic.tar.gz	No
quantize	dataset.val.img_dir	eval_dataset	images.tar.gz	No
quantize	dataset.val.instance_json	eval_dataset	annotations.json	No
quantize	dataset.val.panoptic_json	eval_dataset	annotations_panoptic.json	No
quantize	dataset.val.panoptic_dir	eval_dataset	images_panoptic.tar.gz	No
quantize	dataset.test.img_dir	eval_dataset	images.tar.gz	No
quantize	dataset.quant_calibration_dataset.images_dir	train_datasets	images.tar.gz	No
train	dataset.train.img_dir	train_datasets	images.tar.gz	No
train	dataset.label_map	train_datasets	coco_panoptic: label_map_panoptic.json; *: label_map.json	No
train	dataset.train.instance_json	train_datasets	annotations.json	No
train	dataset.train.panoptic_json	train_datasets	annotations_panoptic.json	No
train	dataset.train.panoptic_dir	train_datasets	images_panoptic.tar.gz	No
train	dataset.val.img_dir	eval_dataset	images.tar.gz	No
train	dataset.val.instance_json	eval_dataset	annotations.json	No
train	dataset.val.panoptic_json	eval_dataset	annotations_panoptic.json	No
train	dataset.val.panoptic_dir	eval_dataset	images_panoptic.tar.gz	No
train	dataset.test.img_dir	eval_dataset	images.tar.gz	No

常见规格覆盖项

每项操作都必须覆盖数据源——Agent 必须根据上方的「各操作数据集要求」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,
    "model.sem_seg_head.num_classes": 90,
    "dataset.contiguous_id": True,
    "dataset.train.img_dir": f"{S3_TRAIN}/images.tar.gz",
    "dataset.label_map": {"coco_panoptic": f"{S3_TRAIN}/label_map_panoptic.json; *: label_map.json"},
    "dataset.train.instance_json": f"{S3_TRAIN}/annotations.json",
    "dataset.train.panoptic_json": f"{S3_TRAIN}/annotations_panoptic.json",
    "dataset.train.panoptic_dir": f"{S3_TRAIN}/images_panoptic.tar.gz",
    "dataset.val.img_dir": f"{S3_EVAL}/images.tar.gz",
    "dataset.val.instance_json": f"{S3_EVAL}/annotations.json",
    "dataset.val.panoptic_json": f"{S3_EVAL}/annotations_panoptic.json",
    "dataset.val.panoptic_dir": f"{S3_EVAL}/images_panoptic.tar.gz",
    "dataset.test.img_dir": f"{S3_EVAL}/images.tar.gz",
}

evaluate（必需数据源）：

{
    "model.sem_seg_head.num_classes": 90,
    "dataset.contiguous_id": True,
    "dataset.train.img_dir": f"{S3_TRAIN}/images.tar.gz",
    "dataset.label_map": {"coco_panoptic": f"{S3_TRAIN}/label_map_panoptic.json; *: label_map.json"},
    "dataset.train.instance_json": f"{S3_TRAIN}/annotations.json",
    "dataset.train.panoptic_json": f"{S3_TRAIN}/annotations_panoptic.json",
    "dataset.train.panoptic_dir": f"{S3_TRAIN}/images_panoptic.tar.gz",
    "dataset.val.img_dir": f"{S3_EVAL}/images.tar.gz",
    "dataset.val.instance_json": f"{S3_EVAL}/annotations.json",
    "dataset.val.panoptic_json": f"{S3_EVAL}/annotations_panoptic.json",
    "dataset.val.panoptic_dir": f"{S3_EVAL}/images_panoptic.tar.gz",
    "dataset.test.img_dir": f"{S3_EVAL}/images.tar.gz",
}

export：

{
    "model.sem_seg_head.num_classes": 90,
}

inference（必需数据源）：

{
    "model.sem_seg_head.num_classes": 90,
    "dataset.contiguous_id": True,
    "dataset.train.img_dir": f"{S3_TRAIN}/images.tar.gz",
    "dataset.label_map": {"coco_panoptic": f"{S3_TRAIN}/label_map_panoptic.json; *: label_map.json"},
    "dataset.train.instance_json": f"{S3_TRAIN}/annotations.json",
    "dataset.train.panoptic_json": f"{S3_TRAIN}/annotations_panoptic.json",
    "dataset.train.panoptic_dir": f"{S3_TRAIN}/images_panoptic.tar.gz",
    "dataset.val.img_dir": f"{S3_EVAL}/images.tar.gz",
    "dataset.val.instance_json": f"{S3_EVAL}/annotations.json",
    "dataset.val.panoptic_json": f"{S3_EVAL}/annotations_panoptic.json",
    "dataset.val.panoptic_dir": f"{S3_EVAL}/images_panoptic.tar.gz",
    "dataset.test.img_dir": f"{S3_EVAL}/images.tar.gz",
}

quantize（必需数据源）：

{
    "dataset.train.img_dir": f"{S3_TRAIN}/images.tar.gz",
    "dataset.label_map": {"coco_panoptic": f"{S3_TRAIN}/label_map_panoptic.json; *: label_map.json"},
    "dataset.train.instance_json": f"{S3_TRAIN}/annotations.json",
    "dataset.train.panoptic_json": f"{S3_TRAIN}/annotations_panoptic.json",
    "dataset.train.panoptic_dir": f"{S3_TRAIN}/images_panoptic.tar.gz",
    "dataset.val.img_dir": f"{S3_EVAL}/images.tar.gz",
    "dataset.val.instance_json": f"{S3_EVAL}/annotations.json",
    "dataset.val.panoptic_json": f"{S3_EVAL}/annotations_panoptic.json",
    "dataset.val.panoptic_dir": f"{S3_EVAL}/images_panoptic.tar.gz",
    "dataset.test.img_dir": f"{S3_EVAL}/images.tar.gz",
    "dataset.quant_calibration_dataset.images_dir": f"{S3_TRAIN}/images.tar.gz",
}

评估数据集

可选。验证数据源与训练数据源一同列在数据集配置中。

重要参数

• model.sem_seg_head.num_classes：分割类别数。默认值为 200。必须与标注类别匹配。
• model.backbone.swin.type：Swin Transformer 变体。默认值为 tiny。可选项包括 tiny、small、base、large。
• model.mode：分割模式。默认值为 panoptic。可选项：panoptic、instance、semantic。
• train.optim.lr：学习率。默认值为 2e-4（AdamW）。
• dataset.train.batch_size：每个 GPU 的批大小。默认值为 1。由于需要进行逐像素预测，Mask2Former 的内存占用较高。

多 GPU / 多节点

**启动方式：**由 Lightning 管理（单个 python 进程，由 Lightning 派生工作进程）。

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/FSDP 行为与 DINO 相同（支持激活检查点）
• FAN 主干网络会自动启用 sync_batchnorm
• fsdp 会强制使用 FP16

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。

导出 / TRT 默认值

• TRT 数据类型：仅支持 FP32、FP16——不支持 INT8

完整的 TAO Deploy 参考：tao-deploy-mask2former。

硬件

至少需要 1 块 GPU，建议使用 4 块 GPU。每块 GPU 需要 24GB 以上显存（推荐 A100）。Mask2Former 的内存占用较高。默认 batch_size=1 是有充分理由的。建议使用多 GPU，以获得合理的训练速度。

错误模式

CUDA 内存不足：默认 batch_size 已为 1。请在数据增强配置中降低图像分辨率，或使用更小的 Swin 变体。

全景分割与实例分割格式不匹配：请确保提供的标注格式与 model.mode 设置匹配。

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，并在调用 create_job() 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 mask2former.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	根据父作业结果文件夹推断出的模型文件
evaluate	evaluate.trt_engine	parent_model	根据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	根据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	根据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	根据父作业结果文件夹推断出的模型文件
inference	inference.trt_engine	parent_model	根据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	根据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.backbone.pretrained_weights	{'link': 'https://github.com/SwinTransformer/storage/releases/download/v1.0.8/swin_tiny_patch4_window7_224_22k.pth', 'destination_path': '/ptm/mask2former/swin_tiny_patch4_window7_224_22k/swin_tiny_patch4_window7_224_22k.pth'}	{'link': 'https://github.com/SwinTransformer/storage/releases/download/v1.0.8/swin_tiny_patch4_window7_224_22k.pth', 'destination_path': '/ptm/mask2former/swin_tiny_patch4_window7_224_22k/swin_tiny_patch4_window7_224_22k.pth'}
train	results_dir	output_dir	当前作业的结果目录
train	train.resume_training_checkpoint_path	resume_model	根据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 会列出父作业的结果文件夹，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。