# tao-analyze-gaps-visual-changenet

Скилл запускает поиск слабых мест в экспериментах TAO VCN Classify через контейнер data-services. Помогает отобрать пограничные сэмплы для аугментации и доразметки.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1600 установок · ★ 3735
- Автор: NVIDIA Corporation
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/NVIDIA/skills/tree/HEAD/skills/tao-analyze-gaps-visual-changenet/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/tao-analyze-gaps-visual-changenet

## Что делает

Скилл автоматизирует запуск контейнера TAO data-services с командой `gap_analysis vcn_aoi`. Он берёт результаты инференса VCN Classify из `inference.csv`, определяет рабочий порог отсечения по значению `siamese_score` и ранжирует примеры по расстоянию от границы в неверную сторону. Итоговые кандидаты сохраняются в `kpi_gaps.parquet` с разбиением по условиям освещения из конфига обучения.

Для работы требуются Docker, `nvidia-container-toolkit` и видеокарта с CUDA. Без видеокарты NVIDIA контейнер сразу завершится с ошибкой, поэтому её наличие нужно проверить заранее. Все рабочие директории с данными, конфигом обучения и логами инференса монтируются в контейнер через аргумент `-v`.

Параметр `-e` с путём к YAML-файлу спецификации обязателен, иначе запуск прервётся до разбора аргументов CLI. Также нельзя передавать флаг `--user $(id -u):$(id -g)` из-за сбоя в библиотеке `transformers`; права на полученный `kpi_gaps.parquet` безопаснее скорректировать через `chown` уже после завершения контейнера.

## Требования
- Работает с: Docker

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-analyze-gaps-visual-changenet -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/tao-analyze-gaps-visual-changenet/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/tao-analyze-gaps-visual-changenet/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-analyze-gaps-visual-changenet -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/tao-analyze-gaps-visual-changenet/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-analyze-gaps-visual-changenet -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/tao-analyze-gaps-visual-changenet/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install NVIDIA/skills tao-analyze-gaps-visual-changenet
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/tao-analyze-gaps-visual-changenet/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-analyze-gaps-visual-changenet -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/NVIDIA/skills --path skills/tao-analyze-gaps-visual-changenet
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/tao-analyze-gaps-visual-changenet/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-analyze-gaps-visual-changenet -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/NVIDIA/skills/tree/HEAD/skills/tao-analyze-gaps-visual-changenet/SKILL.md

## Когда брать
- отобрать худшие сэмплы классификации VCN для генерации аугментаций (SDA)
- рассчитать порог разделения PASS и NO_PASS по метрике `siamese_score`
- выгрузить top-K пограничных дефектов в файл `kpi_gaps.parquet`
- развернуть проблемные примеры по условиям освещения из конфига обучения

## Примеры запросов агенту
- Запусти gap analysis для VCN в папке `inference/latest/` с порогом top_k_per_label=50.
- Проанализируй ошибки классификатора VCN через docker-образ TAO data-services и собери kpi_gaps.parquet.
- Выполни gap_analysis vcn_aoi с конфигом train.yaml и каталогом картинок datasets/aoi_parts.

## Похожие
- [senior-ml-engineer](https://affpapa.org/nevibecode/skills/senior-ml-engineer.md) — скилл · 915 установок
- [qdrant-deployment-options](https://affpapa.org/nevibecode/skills/qdrant-deployment-options.md) — скилл · 61 установка
- [data360-code-extension-generate](https://affpapa.org/nevibecode/skills/data360-code-extension-generate.md) — скилл · 4900 установок
- [runpod-usage](https://affpapa.org/nevibecode/skills/runpod-usage.md) — скилл · 12500 установок
- [managing-astro-local-env](https://affpapa.org/nevibecode/skills/managing-astro-local-env.md) — скилл · 1400 установок
- [runpod-templates](https://affpapa.org/nevibecode/skills/runpod-templates.md) — скилл · 10100 установок

Из того же набора: [nvidia/skills](https://affpapa.org/nevibecode/by/nvidia/skills.md) — 178 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md