关于 tao-train-single-step
用于执行 TAO 标准监督微调流程的技能，涵盖训练、可选评估和按需导出。它根据模型配置决定是否走 AutoML，并要求确认运行平台和容器镜像后再提交训练。
主要功能
- 01执行监督式模型训练
- 02按配置选择 AutoML 路径
- 03解析后运行可选评估
- 04按需导出模型
- 05确认平台和容器镜像
适用场景
- 01用标注数据微调 TAO 模型
- 02在训练后评估模型
- 03训练完成后按需导出模型
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/tao-train-single-step确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
BENCHMARK.mdskill-card.mdskill.oms.sigevals/evals.jsonreferences/skill_info.yaml详细介绍
普通训练
标准的监督微调：使用带标签的数据集训练模型，可选择进行评估，然后可选择导出。这是将预训练模型适配到新数据集时最常见的 TAO 工作流。
步骤
- train — 当所选模型的
automl_enabled: true且automl_policy为auto时，通过 AutoML 执行； 设置automl_policy=off可进行普通的单次训练 - eval — 如果解析出
eval_dataset_uri，则执行 - export — 训练后按用户请求执行，可选
前提条件
必需
- model：兼容的 TAO 模型（例如 clip、nvdinov2、grounding_dino）
- train_dataset_uri：训练数据集的 URI（例如
s3://bucket/train/） - platform：从生成的受支持平台列表中询问：
${TAO_SKILL_BANK_PATH:-~/tao-skills-external}/scripts/list_tao_platforms.py --format text - 容器镜像确认：根据所选模型／操作配置解析默认镜像，向用户展示，并要求用户确认或指定
image=<override>，然后才能创建 runner 文件或提交训练。
可选
- eval_dataset_uri：有些模型技能会将其标记为必需项——将其视为可选项之前，请先检查解析后的模型技能。
- base_checkpoint：如果未提供，则默认为模型技能中列出的 NGC 预训练检查点；如果不存在 NGC 检查点，则从头开始训练。
- automl_policy：默认为
auto；设置为off可在本次运行中跳过模型级 AutoML，同时保持模型元数据不变。 - 镜像覆盖项：查看解析后的默认镜像后，可使用
image=<override>固定特定的 TAO toolkit 版本。
启动信息收集
用户确认要使用此标准训练／评估／导出工作流后，询问其计划使用哪个受支持的平台运行。使用
scripts/list_tao_platforms.py --format text 生成选项；不要扫描平台文档或文件夹。
创建普通训练 runner 前，使用 scripts/list_tao_models.py --scope automl --format json 检查所选模型的元数据，或读取
skills/models/<network>/references/skill_info.yaml。如果 automl_enabled 为 true，且辅助程序报告该模型具有有效的训练 schema，则默认将训练阶段路由到 skills/applications/tao-run-automl。只有在 automl_policy=off、用户明确要求不使用 HPO／AutoML，或 AutoML 已启用但因模型的训练 schema 尚未打包而无法运行时，才使用普通训练路径。
另外，询问用户是否要继续启用长时间运行监控，以及状态更新的间隔分钟数。默认值：启用，每 5 分钟更新一次。
确定模型／操作后，运行 scripts/resolve_tao_image.py --model <network> --action train --format text，并询问用户是使用解析出的镜像，还是指定 image=<override>。确认镜像前，不要创建 tao-train-single-step runner。
选择平台后，运行
scripts/list_tao_platforms.py --platform <platform> --format text，并只询问与该平台相关的凭据，以及所选模型所需的凭据。不要询问无关的平台凭据。