Training & Fine-tuning
Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | working-with-autoresearch | posthog/skills | Prédire quels utilisateurs accompliront une action cible dans un horizon temporel défini. | 74 | 22h |
| 2 | analyzing-offline-evaluations | posthog/skills | Analyser et comparer des évaluations LLM hors ligne stockées dans PostHog. | 74 | 22h |
| 3 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 3 634 | 1j |
| 4 | tao-finetune-cosmos-embed | nvidia/skills | Entraîner, évaluer et exporter un modèle d'embedding vidéo-texte pour la recherche sémantique. | 3 634 | 1j |
| 5 | tao-finetune-cosmos-reason | nvidia/skills | Entraîner, évaluer et inférer sur Cosmos-Reason2-8B pour la compréhension vidéo. | 3 634 | 1j |
| 6 | tao-generate-image-grounding | nvidia/skills | Annoter des images avec expressions référentielles et bounding boxes via un VLM. | 3 634 | 1j |
| 7 | tao-generate-referring-expressions | nvidia/skills | Générer des annotations d'expressions référentielles grondées à partir d'images KITTI via un VLM. | 3 634 | 1j |
| 8 | tao-launch-workflow | nvidia/skills | Valider et lancer des workflows TAO après vérification complète des prérequis plateforme. | 3 634 | 1j |
| 9 | tao-mine-aoi-images | nvidia/skills | Embarquer des images cibles et miner les voisins les plus proches dans un pool source. | 3 634 | 1j |
| 10 | tao-run-on-brev | nvidia/skills | Gérer des instances GPU NVIDIA on-demand via le CLI Brev avec authentification automatisée. | 3 634 | 1j |
| 11 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 3 634 | 1j |
| 12 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 3 634 | 1j |
| 13 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 3 634 | 1j |
| 14 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 3 634 | 1j |
| 15 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 3 634 | 1j |
| 16 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 3 634 | 1j |
| 17 | tao-analyze-detection-kpi | nvidia/skills | Analyser les KPI de détection d'objets en comparant annotations inférées et vérité terrain. | 3 634 | 1j |
| 18 | tao-analyze-gaps-od-map | nvidia/skills | Analyser les écarts de détection d'objets TAO en comparant annotations et prédictions par métriques TP/FP/FN/AP50. | 3 634 | 1j |
| 19 | tao-finetune-anomalygennext | nvidia/skills | Affiner AnomalyGenNext via LoRA sur un dataset de défauts texturés personnalisé. | 3 634 | 1j |
| 20 | tao-finetune-kumo-anomaly | nvidia/skills | Détecter et étiqueter des anomalies dans des séries temporelles multivariées par diffusion. | 3 634 | 1j |
| 21 | tao-finetune-kumo-forecast | nvidia/skills | Prévoir des séries temporelles multivariées avec préentraînement Transformer et modes d'interprétabilité avancés. | 3 634 | 1j |
| 22 | tao-finetune-video-clip | nvidia/skills | Entraîner, évaluer et déployer InternVideo2-CLIP via le framework TAO de NVIDIA. | 3 634 | 1j |
| 23 | tao-generate-image-embeddings | nvidia/skills | Générer des embeddings d'images avec CLIP ou SigLIP via TAO Data Services. | 3 634 | 1j |
| 24 | tao-generate-od-defects | nvidia/skills | Générer des défauts OD synthétiques avec AnomalyGenNext et pseudo-labels COCO. | 3 634 | 1j |
| 25 | tao-prepare-anomalygennext-inputs | nvidia/skills | Préparer et valider les entrées de génération d'anomalies via AnomalyGenNext avec embeddings et AMP. | 3 634 | 1j |
| 26 | tao-run-deft-aoi-cosmos3 | nvidia/skills | Orchestrer un pipeline DEFT complet avec gestion d'état, GPU et air-gap. | 3 634 | 1j |
| 27 | tao-run-deft-cr-its-mining | nvidia/skills | Orchestrer un pipeline de minage itératif TAO DEFT avec fine-tuning et évaluation automatisés. | 3 634 | 1j |
| 28 | tao-run-deft-object-detection | nvidia/skills | Orchestrer la boucle complète d'augmentation intelligente pour un modèle Grounding DINO. | 3 634 | 1j |
| 29 | tao-run-deft-od-aoi | nvidia/skills | Entraîner un détecteur RT-DETR de défauts industriels via un pipeline TAO complet. | 3 634 | 1j |
| 30 | tao-run-dinov3-ssl-deft | nvidia/skills | Configurer, valider et exécuter un entraînement SSL DEFT avec DINOv3 via DS. | 3 634 | 1j |
| 31 | tao-run-on-virtualenv | nvidia/skills | Exécuter un script Python natif dans un virtualenv local sans Docker. | 3 634 | 1j |
| 32 | tao-train-dinov3 | nvidia/skills | Entraîner, convertir et exporter un backbone DINOv3 sur images non étiquetées. | 3 634 | 1j |
| 33 | tao-run-deft-pas | nvidia/skills | Exécuter le workflow PAS complet de TAO sur toute plateforme d'exécution supportée. | 3 634 | 1j |
| 34 | tilegym-cutile-python | nvidia/skills | Écrire, déboguer et optimiser des kernels GPU haute performance avec cuTile Python. | 3 634 | 1j |
| 35 | tilegym-converting-cutile-to-triton | nvidia/skills | Convertir des kernels cuTile en kernels Triton via un workflow structuré en cinq phases. | 3 634 | 1j |
| 36 | cuda-streams | pytorch/pytorch | Auditer et choisir la bonne stratégie de synchronisation CUDA entre streams pour éviter les fuites mémoire. | 104 843 | 2j |
| 37 | creating-online-evaluations | posthog/skills | Créer et déployer des évaluations continues ciblant des modes d'échec réels en production. | 74 | 2j |
| 38 | rtvi-byom-porting | nvidia-ai-blueprints/video-search-and-summarization | Intégrer un modèle VLM personnalisé dans le service RT-VLM de VSS sans modifier le code source. | 1 931 | 3j |
| 39 | vss-deploy-dense-captioning | nvidia-ai-blueprints/video-search-and-summarization | Déployer et interroger le microservice RT-VLM de dense captioning vidéo NVIDIA. | 1 931 | 3j |
| 40 | vss-build-vision-ai | nvidia-ai-blueprints/video-search-and-summarization | Composer et déployer des capacités de vision IA sur mesure via NVIDIA VSS Blueprint. | 1 931 | 4j |
| 41 | codonfm-embed | nvidia/skills | Extraire des embeddings CLS figés de séquences codantes avec le modèle public Encodon. | 3 634 | 8j |
| 42 | codonfm-finetune | nvidia/skills | Affiner le modèle Encodon public avec des données étiquetées de séquences codantes. | 3 634 | 8j |
| 43 | codonfm-score | nvidia/skills | Scorer des variants génomiques avec le modèle masqué Encodon pour produire un signal de recherche. | 3 634 | 8j |
| 44 | codonfm-setup | nvidia/skills | Configurer l'environnement CodonFM et télécharger les checkpoints Encodon publics. | 3 634 | 8j |
| 45 | nemo-automodel-model-onboarding | nvidia/skills | Intégrer de nouvelles architectures de modèles IA dans NeMo AutoModel. | 3 634 | 10j |
| 46 | rtvi-vlm-perf-testing | nvidia-ai-blueprints/video-search-and-summarization | Tester et benchmarker les performances de modèles visuels en streaming GPU distant. | 1 931 | 12j |
| 47 | boltz2-nim | nvidia/skills | Prédire des structures biomoléculaires et l'affinité ligand via API ou Docker local. | 3 634 | 15j |
| 48 | drug-discovery-pipeline | nvidia/skills | Cribler des candidats médicaments via génération, docking et prédiction d'affinité. | 3 634 | 15j |
| 49 | msa-search-nim | nvidia/skills | Générer des MSA protéiques accélérés GPU via MMSeqs2 en mode hébergé ou local Docker. | 3 634 | 16j |
| 50 | openfold3-nim | nvidia/skills | Prédire des structures biomoléculaires via l'API OpenFold3 en mode hébergé ou local. | 3 634 | 16j |
À propos de cette sélection
Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier.
Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.