Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | browser-use | browser-use/browser-use | Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. | 111 268 | 15h |
| 2 | gemini-live-api-dev | google-gemini/gemini-skills | Développer des interactions vocales et vidéo temps réel avec l'API Gemini Live. | 3 943 | 16h |
| 3 | gemini-api-dev | google-gemini/gemini-skills | Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. | 3 943 | 16h |
| 4 | cuopt-install | nvidia/skills | Installer cuOpt via pip, conda ou Docker pour Python, C ou REST. | 3 114 | 1j |
| 5 | tao-validate-dataset-format | nvidia/skills | Valider un dataset DAFT avec tao-daft validate et interpréter les résultats. | 3 114 | 1j |
| 6 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 3 114 | 1j |
| 7 | tao-train-single-step | nvidia/skills | Entraîner, évaluer et exporter un modèle TAO via fine-tuning supervisé standard. | 3 114 | 1j |
| 8 | tao-train-segformer | nvidia/skills | Segmenter des images sémantiquement avec SegFormer, un transformer léger hiérarchique. | 3 114 | 1j |
| 9 | tao-train-rtdetr | nvidia/skills | Entraîner et déployer un modèle de détection d'objets 2D en temps réel. | 3 114 | 1j |
| 10 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 3 114 | 1j |
| 11 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 3 114 | 1j |
| 12 | tao-train-pointpillars | nvidia/skills | Détecter des objets 3D depuis des nuages de points LiDAR via PointPillars. | 3 114 | 1j |
| 13 | tao-train-optical-inspection | nvidia/skills | Détecter des défauts de fabrication par comparaison d'images avec des réseaux siamois. | 3 114 | 1j |
| 14 | tao-train-oneformer | nvidia/skills | Segmenter des images universellement en combinant segmentation panoptique, sémantique et d'instances. | 3 114 | 1j |
| 15 | tao-train-ocrnet | nvidia/skills | Reconnaître et entraîner un modèle OCR sur des images de texte découpées. | 3 114 | 1j |
| 16 | tao-train-ocdnet | nvidia/skills | Détecter des zones de texte orienté dans des images naturelles via binarisation différentiable. | 3 114 | 1j |
| 17 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 3 114 | 1j |
| 18 | tao-train-nvdinov2 | nvidia/skills | Entraîner des transformeurs visuels par auto-distillation sans étiquettes avec NVDINOv2. | 3 114 | 1j |
| 19 | tao-train-metric-learning-recognition | nvidia/skills | Entraîner un modèle de reconnaissance visuelle fine par metric learning avec AutoML. | 3 114 | 1j |
| 20 | tao-train-mask2former | nvidia/skills | Segmenter des images en mode panoptique, d'instance et sémantique avec Mask2Former. | 3 114 | 1j |
| 21 | tao-train-mask-grounding-dino | nvidia/skills | Segmenter des instances ouvertes guidées par prompts texte avec Grounding DINO masqué. | 3 114 | 1j |
| 22 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 3 114 | 1j |
| 23 | tao-train-mask-auto-encoder | nvidia/skills | Pré-entraîner et affiner un Masked Autoencoder pour apprendre des représentations visuelles. | 3 114 | 1j |
| 24 | tao-train-image-classification | nvidia/skills | Entraîner et déployer des modèles de classification d'images PyTorch avec AutoML. | 3 114 | 1j |
| 25 | tao-train-grounding-dino | nvidia/skills | Détecter des objets dans des images via des descriptions textuelles sans vocabulaire de classes fixe. | 3 114 | 1j |
| 26 | tao-train-dino | nvidia/skills | Détecter des objets 2D avec DINO via entraînement AutoML et déploiement TensorRT. | 3 114 | 1j |
| 27 | tao-train-deformable-detr | nvidia/skills | Détecter des objets 2D efficacement avec Deformable DETR multi-échelle. | 3 114 | 1j |
| 28 | tao-train-centerpose | nvidia/skills | Estimer la pose 6-DoF d'objets via détection de centres et régression de points clés. | 3 114 | 1j |
| 29 | tao-train-bevfusion | nvidia/skills | Fusionner LiDAR et caméras en espace BEV pour la détection 3D autonome. | 3 114 | 1j |
| 30 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 3 114 | 1j |
| 31 | tao-run-automl | nvidia/skills | Automatiser l'optimisation d'hyperparamètres TAO sur toute plateforme GPU compatible. | 3 114 | 1j |
| 32 | tao-run-automl-deft-pipeline | nvidia/skills | Chaîner AutoML et DEFT en trois phases pour optimiser et affiner un modèle itérativement. | 3 114 | 1j |
| 33 | tao-list-capabilities | nvidia/skills | Lister les capacités, modèles et support AutoML disponibles dans TAO Skill Bank. | 3 114 | 1j |
| 34 | tao-generate-video-reasoning-annotations | nvidia/skills | Générer des datasets d'entraînement vidéo avec raisonnement CoT et paires QA annotées. | 3 114 | 1j |
| 35 | tao-generate-referring-expressions | nvidia/skills | Générer des annotations d'expressions référentielles grondées à partir d'images KITTI via un VLM. | 3 114 | 1j |
| 36 | tao-generate-image-grounding | nvidia/skills | Annoter des images avec expressions référentielles et bounding boxes via un VLM. | 3 114 | 1j |
| 37 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 3 114 | 1j |
| 38 | tao-convert-dataset-format | nvidia/skills | Convertir des datasets DAFT entre formats supportés via la CLI tao-daft. | 3 114 | 1j |
| 39 | tao-analyze-gaps-vlm-bcq | nvidia/skills | Analyser les prédictions d'un VLM pour identifier les faux positifs et négatifs. | 3 114 | 1j |
| 40 | upgrading-dbt-core | dbt-labs/dbt-agent-skills | Migrer un projet dbt-core v1 vers la version 1.12 en appliquant automatiquement les correctifs adaptés. | 689 | 2j |
| 41 | nemo-relay-get-started | nvidia/skills | Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. | 3 114 | 2j |
| 42 | nemo-mbridge-perf-sequence-packing | nvidia/skills | Configurer le packing de séquences pour le fine-tuning LLM et VLM avec Megatron. | 3 114 | 2j |
| 43 | omni-to-databricks-metric-view | exploreomni/omni-agent-skills | Convertir un topic Omni en Databricks Metric View via CLI et YAML. | 32 | 6j |
| 44 | eval-engineering | langchain-ai/langchain-skills | Concevoir et construire des évaluations itératives pour agents IA avec Harbor. | 1 178 | 6j |
| 45 | nemo-fabric-integrate | nvidia/skills | Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. | 3 114 | 6j |
| 46 | nemotron-speech | nvidia/skills | Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. | 3 114 | 6j |
| 47 | train-sentence-transformers | huggingface/skills | Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage. | 10 965 | 8j |
| 48 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 10 965 | 8j |
| 49 | nemo-mbridge-perf-activation-recompute | nvidia/skills | Réduire la mémoire GPU en recompilant les activations selon différentes granularités configurables. | 3 114 | 9j |
| 50 | cuopt-routing-api-python | nvidia/skills | Résoudre des problèmes de routage VRP/TSP/PDP avec l'API Python cuOpt. | 3 114 | 13j |
À propos de cette sélection
L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.