tao-train-grounding-dino
NVIDIA/skills
Treina, avalia, exporta, quantiza e executa inferência para um modelo Grounding DINO que detecta objetos descritos por prompts de texto sem um vocabulário de classes fixo.
...Expandir tudoAplicação do DINO
Grounding DINO para detecção de objetos em conjuntos abertos. Combina a detecção no estilo DINO com o codificador de texto BERT para detecção orientada por linguagem. Detecta objetos descritos por prompts de texto sem um vocabulário de classes fixo.
Defina `train.pretrained_model_path` para obter os pesos completos do Grounding DINO ou `model.pretrained_backbone_path` para apenas a estrutura principal.
Para as ações do TAO Deploy TensorRT (gen_trt_engine, TensorRT evaluate e TensorRT inference), leia primeiro o arquivo references/tao-deploy-grounding-dino.md. Os modelos de especificação de implantação estão na pasta references/ desta skill com o prefixo spec_template_deploy_*.yaml.
Esquemas de Dataclass
Os esquemas gerados pelo TAO Core estão agrupados em `schemas/, com o arquivo `schemas/manifest.json` listando as ações disponíveis. Cada esquema gerado também gera o arquivo `references/spec_template_ a partir do campo padrão de nível superior do esquema. A ativação do AutoML é declarada na camada do modelo em references/skill_info.yaml por meio de automl_enabled. O AutoML executável ainda requer que os arquivos schemas/train.schema.json e references/spec_template_train.yaml existam e sejam analisados. Use o esquema de treinamento incluído no pacote para automl_default_parameters, automl_disabled_parameters, padrões, limites mínimo/máximo, enums, pesos de opções, condições matemáticas, dependências e parâmetros comuns. Não espere encontrar ~/tao-core no momento da execução; os mantenedores regeneram esquemas/modelos antes de empacotar o banco de habilidades.
Política de ação de treinamento
Este modelo está habilitado para AutoML na camada de modelo. Antes de processar qualquer solicitação na fase de treinamento, leia o arquivo references/skill_info.yaml e resolva a substituição da execução a partir de um valor explícito de automl_policy ou da solicitação de fluxo de trabalho do usuário. Use automl_policy: on por padrão e exponha apenas on/off em novos prompts de inicialização. Trate frases como “desativar o AutoML”, “desativar o AutoML”, “sem HPO” ou “treinamento simples” como automl_policy: off apenas para esta execução. Quando automl_policy: on, automl_enabled: true e tanto o arquivo schemas/train.schema.json quanto o references/spec_template_train.yaml estiverem incluídos no pacote, encaminhe a ação de treinamento por meio de tao-skill-bank:tao-run-automl por padrão, utilizando o skill_dir deste modelo. Preserve as substituições do fluxo de trabalho/aplicativo para conjuntos de dados, especificações, diretórios de saída, configurações de GPU/plataforma, pontos de verificação pai e automl_policy. Use o treinamento direto do modelo somente quando automl_policy estiver definido como “off” ou quando o esquema/modelo de treinamento empacotado estiver ausente; no caso de esquema ausente, informe que o AutoML está habilitado, mas não pode ser executado para este modelo até que os esquemas sejam gerados.
Ações que não sejam de treinamento, como fluxos de avaliação, inferência, exportação e implantação, permanecem nesta habilidade do modelo. A substituição da automl_policy por execução não altera os metadados do modelo.
Requisitos de treinamento
- Tipo de conjunto de dados: object_detection
- Formatos: odvg, coco, raw
- Métrica de monitoramento: val_mAP50
Requisitos do conjunto de dados por ação
| Ação | Chave da especificação | Fonte | Arquivos | Lista? |
|---|---|---|---|---|
| avaliar | conjunto_de_dados.test_data_sources | eval_dataset | image_dir: images.tar.gz, json_file: annotations.json | Não |
| inferência | conjunto_de_dados.fontes_de_dados_de_inferência.diretório_de_imagens | conjunto_de_dados_de_inferência | images.tar.gz | Sim |
| inference | conjunto_de_dados.infer_data_sources.legendas | solicitações do fluxo de trabalho | lista de prompts | Sim |
| quantização | conjunto de dados.fontes_de_dados_de_treinamento | conjuntos de dados de treinamento | image_dir: images.tar.gz, json_file: annotations_odvg.jsonl, label_map: annotations_odvg_labelmap.json | Sim |
| quantizar | conjuntos_de_dados_de_validação | conjunto_de_dados_de_avaliação | diretório_de_imagens: images.tar.gz, arquivo_json: annotations.json | Não |
| quantize | conjuntos_de_dados_de_calibração_quantizada | conjunto de dados de calibração/avaliação | image_dir: images.tar.gz, json_file: annotations.json | Não |
| treinar | conjunto de dados de treinamento.fontes de dados de treinamento | conjuntos_de_dados_de_treinamento | image_dir: images.tar.gz, json_file: annotations_odvg.jsonl, label_map: annotations_odvg_labelmap.json | Sim |
| treinamento | conjunto_de_dados.fontes_de_dados_de_validação | conjunto_de_dados_de_avaliação | diretório_de_imagens: images.tar.gz, arquivo_json: annotations.json | Não |
O executor pode utilizar arquivos compactados como images.tar.gz, mas as especificações locais diretas
da CLI do Docker TAO devem apontar image_dir para um diretório de imagens extraído.
Os metadados da habilidade marcam essas fontes de imagem baseadas em arquivos compactados com
runtime: extracted_folder para que um novo executor possa descompactar o arquivo antes
de iniciar o TAO.
Substituições típicas de especificações
As substituições de fonte de dados são obrigatórias para todas as ações — o agente DEVE construir caminhos de fonte de dados a partir da tabela “Requisitos do Conjunto de Dados por Ação” acima e incluí-los em spec_overrides.
S3_TRAIN = "s3://bucket/data/train"
S3_EVAL = "s3://bucket/data/eval"
treinamento (fontes de dados obrigatórias):
{
"train.num_epochs": 10,
"train.checkpoint_interval": 10,
"train.validation_interval": 10,
"train.num_gpus": 1,
"dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
"dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
deploy/gen_trt_engine (use references/tao-deploy-grounding-dino.md):
{
"gen_trt_engine.onnx_file": "",
"gen_trt_engine.trt_engine": "",
"gen_trt_engine.tensorrt.data_type": "FP16",
}
inference (fontes de dados obrigatórias):
{
"inference.checkpoint": "<ponto de verificação selecionado do treinamento/AutoML>",
"dataset.infer_data_sources.image_dir": [f"{S3_EVAL}/images.tar.gz"],
"dataset.infer_data_sources.captions": [
"extintor de incêndio",
"cone",
"carrinho",
"empilhadeira"
],
}
avaliação (fontes de dados obrigatórias):
{
"evaluate.checkpoint": "<ponto de verificação de treinamento/AutoML selecionado>",
"dataset.test_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
quantizar (fontes de dados obrigatórias):
{
"quantize.model_path": "",
"dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
"dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
"dataset.quant_calibration_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
Conjunto de dados de avaliação
Opcional. A validação utiliza anotações no formato COCO para o mAP, embora o treinamento possa usar o formato ODVG.
Parâmetros importantes
- model.backbone: Padrão swin_tiny_224_1k. Também suporta resnet_50 e outras variantes do Swin. O Swin geralmente apresenta melhor desempenho em tarefas de grounding.
- model.text_encoder_type: Modelo BERT para codificação de texto. Padrão: bert-base-uncased. O valor padrão de max_text_len é 256.
- model.max_text_len: Mantenha esse valor alinhado com os mapas de posição de rótulo/token do conjunto de dados. Não reduza esse valor para testes preliminares, a menos que os mapas de rótulo correspondentes sejam regenerados com o mesmo comprimento; caso contrário, a validação pode falhar devido a uma incompatibilidade de forma da matriz entre as probabilidades dos tokens e os mapas de posição .
- train.optim.lr: Taxa de aprendizado. Padrão: 2e-4. lr_backbone: 2e-5. Suporta precisão bf16, além de fp16/fp32.
- dataset.max_labels: Número máximo de rótulos por imagem durante o treinamento. Padrão: 50. Aumente para conjuntos de dados com anotações densas.
- model.num_queries: Consultas de objetos. Padrão: 900 (superior aos 300 do DINO) devido à natureza de vocabulário aberto.
- model.num_queries / model.num_select: Mantenha
num_queriesalto o suficiente para o número de alvos ODVG correspondentes em um lote. Valores muito baixos de smoke, como 20, podem falhar durante a indexação de alvos húngaros em imagens densas; use pelo menos 100 para execuções mínimas do Grounding DINO com smoke, a menos que se saiba que o conjunto de dados possui menos objetos por imagem. - train.optim.lr_steps: Programação do LR em múltiplas etapas. Padrão [10].
Multi-GPU / Multi-Nó
Método de execução: Gerenciado pelo Lightning (único processo Python, o Lightning gera workers).
| Chave de especificação | Descrição | Padrão |
|---|---|---|
train.num_gpus |
Número de GPUs | 1 |
train.gpu_ids |
Índices dos dispositivos GPU | [0] |
train.num_nodes |
Número de nós | 1 |
train.distributed_strategy |
ddp ou fsdp |
ddp |
Comportamento do DDP/FSDP idêntico ao do DINO. A configuração com múltiplos nós requer que as variáveis de ambiente WORLD_SIZE, NODE_RANK, MASTER_ADDR e MASTER_PORT sejam definidas pelo orquestrador.
Padrões de exportação / TRT
- Entrada de exportação: 960x544 (maior do que outros modelos OD), opset 17. Mantenha
as especificações de exportação do Grounding-DINO na resolução de exportação do modelo para testes preliminares;
reduzir a exportação para tamanhos de imagem muito pequenos, como 128x128, pode acionar uma
assertion de inferência de formato ONNX do PyTorch no cabeçalho de texto contrastivo durante
torch.onnx.export. - A CLI pai do PyTorch
grounding_dinosuportatreinamento,avaliação,inferência,exportaçãoequantização. Execute a geração do mecanismo TensorRT, a inferência do TensorRT e a avaliação do TensorRT por meiodo arquivo references/tao-deploy-grounding-dino.md. - Tipos de dados do TensorRT: apenas FP32 e FP16 — INT8 NÃO é suportado
- Espaço de trabalho do TRT: 8192 MB (8 vezes maior do que outros modelos OD)
- max_batch_size do TRT: 4
Hardware
Mínimo de 1 GPU, recomendado 4 GPUs. 24 GB ou mais (recomenda-se A100) de VRAM por GPU. O Grounding DINO é mais pesado que o DINO padrão devido ao codificador de texto (BERT). Recomenda-se 24 GB ou mais de memória de GPU. Reduza o `batch_size` para GPUs de 16 GB.
Padrões de erro
Memória CUDA insuficiente: reduza o `batch_size` (4 → 2 → 1). O codificador de texto BERT adiciona uma sobrecarga significativa de memória à estrutura de visão.
IDs inválidos de categorias de anotação: as anotações de validação devem ter IDs de categoria começando em 0 para o cálculo correto da perda. Use a conversão de formato de anotação, se necessário.
Erro ao carregar o codificador de texto: certifique-se de que o contêiner tenha acesso para baixar os pesos do bert-base-uncased ou forneça um caminho local.
A quantização com um checkpoint do PyTorch falha no TAO Toolkit 7.0.0-rc-226:
O script de quantização Grounding-DINO do contêiner passa cap_lists=None ao
carregar um checkpoint, o que causa falha no post_process.py. A quantização ONNX utiliza
o artefato ONNX exportado e os dados de calibração do COCO, mas a imagem padrão do PyTorch rc-226
também não possui o módulo modelopt.onnx.quantization. Trate isso como
um bloqueador de imagem/SDK, não como um problema do resolvedor de checkpoints.
As formas de mat1 e mat2 não podem ser multiplicadas no post_process.py: os mapas de
comprimento de token de texto e de posição de rótulo estão inconsistentes, geralmente porque
model.max_text_len foi sobrescrito para um valor inferior ao padrão de 256, enquanto os mapas de rótulo do conjunto de dados
ainda utilizam mapas de posição com comprimento de 256. Restaure o `model.max_text_len ` ou
regenerar os mapas de rótulos com o mesmo comprimento.
O índice está fora dos limites para a dimensão 0 em criterion.py: model.num_queries
é muito pequeno para os alvos ODVG correspondentes no lote atual. Aumente
model.num_queries e mantenha model.num_select compatível com ele.
Erro NotADirectoryError com images.tar.gz/: A CLI direta do TAO está
tentando percorrer um caminho de arquivo compactado como se fosse um diretório. Extraia o arquivo compactado e defina
o campo image_dir relevante para a pasta de imagens extraída; fontes de dados de habilidades
baseadas em arquivos compactados usam runtime:extracted_folder por esse motivo.
Parâmetro de Especificação / Inferência do Modelo Pai
Os mapeamentos de inferência específicos do modelo devem constar neste arquivo MD, e não no config.json. Os executores gerados devem ler esta seção e aplicar os mapeamentos com os auxiliares do SDK antes de chamar create_job(). Isso reflete o antigo fluxo do arquivo infer_params.py dos microsserviços.
Mapeamentos de inferência do arquivo grounding_dino.config.json do TAO Core:
| Ação | Campo da especificação | Função de inferência | Significado |
|---|---|---|---|
| avaliar | chave_de_criptografia |
chave |
chave de criptografia |
| avaliar | avaliar.ponto de verificação |
modelo_pai |
arquivo de modelo inferido a partir da pasta de resultados do trabalho pai |
| avaliar | avaliar.trt_engine |
parent_model |
arquivo de modelo inferido a partir da pasta de resultados do trabalho pai |
| avaliar | results_dir |
output_dir |
diretório de resultados do trabalho atual |
| exportar | chave_de_criptografia |
chave |
chave de criptografia |
| exportar | exportar.ponto de verificação |
modelo_pai |
arquivo de modelo inferido a partir da pasta de resultados do trabalho pai |
| export | export.onnx_file |
create_onnx_file |
caminho de saída do ONNX |
| export | diretório_de_resultados |
diretório_de_saída |
diretório de resultados do trabalho atual |
| inferência | chave_de_criptografia |
chave |
chave de criptografia |
| inferência | ponto de verificação de inferência |
modelo_pai |
arquivo de modelo inferido a partir da pasta de resultados do trabalho pai |
| inference | inference.trt_engine |
parent_model |
arquivo de modelo inferido a partir da pasta de resultados do trabalho pai |
| inference | results_dir |
directório_de_saída |
diretório atual de resultados do trabalho |
| quantizar | chave_de_criptografia |
chave |
chave de criptografia |
| quantize | quantize.caminho_do_modelo |
modelo_pai |
arquivo do modelo inferido a partir da pasta de resultados do trabalho pai |
| quantize | results_dir |
directório_de_saída |
diretório de resultados do trabalho atual |
| treinar | chave_de_criptografia |
chave |
chave de criptografia |
| treinar | caminho_da_estrutura_base_pré-treinada_do_modelo |
ptm_if_no_resume_model |
PTM quando não há checkpoint de retomada |
| treinar | diretório_de_resultados |
output_dir |
diretório de resultados do trabalho atual |
| treinar | train.pretrained_model_path |
ptm_if_no_resume_model |
PTM quando não há ponto de verificação para retomada |
| treinar | train.caminho_do_ponto_de_verificação_de_retomada_do_treinamento |
resume_model |
arquivo do modelo inferido a partir da pasta de resultados do trabalho atual |
Para parent_model ou parent_model_folder, passe o ID do trabalho filho upstream train/export/AutoML como parent_job_id. O SDK lista a pasta de resultados do trabalho pai, filtra os artefatos de ponto de verificação e retorna o arquivo ou a pasta do modelo selecionado. Não adicione esses mapeamentos de volta ao config.json e não altere os scripts do executor gerados para adivinhar caminhos de checkpoints.
Ao selecionar um checkpoint do Grounding-DINO fora do resolvedor do SDK, corresponda exatamente ao
artefato de época/passo pretendido, por exemplo,
model_epoch_000_step_00046.pth. O link simbólico gdino_model_latest.pth é válido
somente quando “latest” for explicitamente solicitado. Transfira as configurações estruturais do modelo, como
model.backbone, model.num_queries, model.num_select,
model.num_feature_levels, model.max_text_len e a resolução de entrada de exportação
para as especificações de avaliação, inferência, exportação e implantação, de modo que os formatos do ponto de verificação e
do mecanismo correspondam.
Implantação
- tao-deploy-grounding-dino
---
name: tao-train-grounding-dino
description: Trains, evaluates, exports, quantizes, and runs inference for a Grounding DINO model that detects objects described by text prompts without a fixed class vocabulary.
license: Apache-2.0
---
# Grounding DINO
Grounding DINO for open-set object detection. Combines DINO-style detection with BERT text encoder for language-guided detection. Detects objects described by text prompts without fixed class vocabulary.
Set train.pretrained_model_path for full Grounding DINO weights or model.pretrained_backbone_path for backbone-only.
For TAO Deploy TensorRT actions (`gen_trt_engine`, TensorRT `evaluate`, and TensorRT `inference`), read `references/tao-deploy-grounding-dino.md` first. Deploy spec templates live in this skill's `references/` folder with the `spec_template_deploy_*.yaml` prefix.
## Dataclass Schemas
Generated TAO Core schemas are packaged in `schemas/<action>.schema.json`, with `schemas/manifest.json` listing available actions. Each generated schema also emits `references/spec_template_<action>.yaml` from the schema top-level `default` field. AutoML enablement is declared at the model layer in `references/skill_info.yaml` via `automl_enabled`. Runnable AutoML still requires `schemas/train.schema.json` and `references/spec_template_train.yaml` to exist and parse. Use the packaged train schema for `automl_default_parameters`, `automl_disabled_parameters`, defaults, min/max bounds, enums, option weights, math conditions, dependencies, and popular parameters. Do not expect `~/tao-core` at runtime; maintainers regenerate schemas/templates before packaging the skill bank.
## Train Action Policy
This model is AutoML-enabled at the model layer. Before handling any train-stage request, read `references/skill_info.yaml` and resolve the run override from either an explicit `automl_policy` value or the user's workflow request. Use `automl_policy: on` by default and only expose `on` / `off` in new launch prompts. Treat phrases like "turn off AutoML", "disable AutoML", "no HPO", or "plain training" as `automl_policy: off` for this run only. When `automl_policy: on`, `automl_enabled: true`, and both `schemas/train.schema.json` and `references/spec_template_train.yaml` are packaged, route the train action through `tao-skill-bank:tao-run-automl` by default with this model's `skill_dir`. Preserve workflow/application overrides for datasets, specs, output directories, GPU/platform settings, parent checkpoints, and `automl_policy`. Use direct model training only when `automl_policy: off` or the packaged train schema/template is missing; in the missing-schema case, report that AutoML is enabled but not runnable for this model until schemas are generated.
Non-train actions such as `evaluate`, `inference`, `export`, and deploy flows stay in this model skill. The per-run `automl_policy` override does not change model metadata.
## Training Requirements
- **Dataset type:** object_detection
- **Formats:** odvg, coco, raw
- **Monitoring metric:** val_mAP50
### Per-Action Dataset Requirements
| Action | Spec Key | Source | Files | List? |
|---|---|---|---|---|
| evaluate | dataset.test_data_sources | eval_dataset | image_dir: images.tar.gz, json_file: annotations.json | No |
| inference | dataset.infer_data_sources.image_dir | inference_dataset | images.tar.gz | Yes |
| inference | dataset.infer_data_sources.captions | workflow prompts | prompt list | Yes |
| quantize | dataset.train_data_sources | train_datasets | image_dir: images.tar.gz, json_file: annotations_odvg.jsonl, label_map: annotations_odvg_labelmap.json | Yes |
| quantize | dataset.val_data_sources | eval_dataset | image_dir: images.tar.gz, json_file: annotations.json | No |
| quantize | dataset.quant_calibration_data_sources | calibration/eval dataset | image_dir: images.tar.gz, json_file: annotations.json | No |
| train | dataset.train_data_sources | train_datasets | image_dir: images.tar.gz, json_file: annotations_odvg.jsonl, label_map: annotations_odvg_labelmap.json | Yes |
| train | dataset.val_data_sources | eval_dataset | image_dir: images.tar.gz, json_file: annotations.json | No |
The runner may source image archives as `images.tar.gz`, but direct local
Docker TAO CLI specs must point `image_dir` to an extracted image directory.
Skill metadata marks these archive-backed image sources with
`runtime: extracted_folder` so a fresh runner can unpack the archive before
launching TAO.
### Typical Spec Overrides
Data source overrides are **mandatory for every action** — the agent MUST construct data source paths from the Per-Action Dataset Requirements table above and include them in `spec_overrides`.
```python
S3_TRAIN = "s3://bucket/data/train"
S3_EVAL = "s3://bucket/data/eval"
```
**train (mandatory data sources):**
```python
{
"train.num_epochs": 10,
"train.checkpoint_interval": 10,
"train.validation_interval": 10,
"train.num_gpus": 1,
"dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
"dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
```
**deploy/gen_trt_engine (use `references/tao-deploy-grounding-dino.md`):**
```python
{
"gen_trt_engine.onnx_file": "<exported_onnx_uri>",
"gen_trt_engine.trt_engine": "<output_engine_path>",
"gen_trt_engine.tensorrt.data_type": "FP16",
}
```
**inference (mandatory data sources):**
```python
{
"inference.checkpoint": "<selected train/AutoML checkpoint>",
"dataset.infer_data_sources.image_dir": [f"{S3_EVAL}/images.tar.gz"],
"dataset.infer_data_sources.captions": [
"fire extinguisher",
"cone",
"cart",
"forklift"
],
}
```
**evaluate (mandatory data sources):**
```python
{
"evaluate.checkpoint": "<selected train/AutoML checkpoint>",
"dataset.test_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
```
**quantize (mandatory data sources):**
```python
{
"quantize.model_path": "<selected train checkpoint or exported ONNX model>",
"dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations_odvg.jsonl", "label_map": f"{S3_TRAIN}/annotations_odvg_labelmap.json"}],
"dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
"dataset.quant_calibration_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}
```
## Eval Dataset
Optional. Validation uses COCO-format annotations for mAP even though training can use ODVG format.
## Important Parameters
- **model.backbone**: Default swin_tiny_224_1k. Also supports resnet_50 and other Swin variants. Swin generally performs better for grounding tasks.
- **model.text_encoder_type**: BERT model for text encoding. Default bert-base-uncased. max_text_len defaults to 256.
- **model.max_text_len**: Keep this aligned with the dataset label/token
position maps. Do not shrink it for smoke tests unless the corresponding
label maps are regenerated with the same length; otherwise validation can
fail with a matrix shape mismatch between token probabilities and position
maps.
- **train.optim.lr**: Learning rate. Default 2e-4. lr_backbone 2e-5. Supports bf16 precision in addition to fp16/fp32.
- **dataset.max_labels**: Maximum labels per image during training. Default 50. Increase for dense annotation datasets.
- **model.num_queries**: Object queries. Default 900 (higher than DINO's 300) due to open-vocabulary nature.
- **model.num_queries / model.num_select**: Keep `num_queries` high enough
for the number of matched ODVG targets in a batch. Very small smoke values
such as 20 can fail during Hungarian target indexing on dense images; use at
least 100 for minimal Grounding DINO smoke runs unless the dataset is known
to have fewer objects per image.
- **train.optim.lr_steps**: MultiStep LR schedule. Default [10].
## Multi-GPU / Multi-Node
**Launch method:** Lightning-managed (single `python` process, Lightning spawns workers).
| Spec Key | Description | Default |
|----------|-------------|---------|
| `train.num_gpus` | Number of GPUs | 1 |
| `train.gpu_ids` | GPU device indices | [0] |
| `train.num_nodes` | Number of nodes | 1 |
| `train.distributed_strategy` | `ddp` or `fsdp` | `ddp` |
Same DDP/FSDP behavior as DINO. Multi-node requires `WORLD_SIZE`, `NODE_RANK`, `MASTER_ADDR`, `MASTER_PORT` env vars set by orchestrator.
## Export / TRT Defaults
- Export input: 960x544 (larger than other OD models), opset 17. Keep
Grounding-DINO export specs at the template export resolution for smoke tests;
reducing export to very small image sizes such as 128x128 can trigger a
PyTorch ONNX shape-inference assertion in the contrastive text head during
`torch.onnx.export`.
- The parent PyTorch `grounding_dino` CLI supports `train`, `evaluate`,
`inference`, `export`, and `quantize`. Run TensorRT engine generation,
TensorRT inference, and TensorRT evaluation through `references/tao-deploy-grounding-dino.md`.
- TRT data types: FP32, FP16 only — **INT8 is NOT supported**
- TRT workspace: 8192 MB (8x larger than other OD models)
- TRT max_batch_size: 4
## Hardware
Minimum 1 GPU(s), recommended 4 GPU(s). 24GB+ (A100 recommended) VRAM per GPU. Grounding DINO is heavier than standard DINO due to the text encoder (BERT). 24GB+ GPU memory recommended. Reduce batch_size for 16GB GPUs.
## Error Patterns
**CUDA out of memory**: Reduce batch_size (4 -> 2 -> 1). The BERT text encoder adds significant memory overhead on top of the vision backbone.
**Val annotation category IDs**: Validation annotations should have category IDs starting from 0 for correct loss computation. Use annotation format conversion if needed.
**Text encoder loading error**: Ensure the container has access to download bert-base-uncased weights or provide a local path.
**Quantize with a PyTorch checkpoint fails in TAO Toolkit 7.0.0-rc-226**:
The container's Grounding-DINO quantize script passes `cap_lists=None` when
loading a checkpoint, which fails in `post_process.py`. ONNX quantization uses
the exported ONNX artifact and COCO calibration data, but the default rc-226
PyTorch image also lacks the `modelopt.onnx.quantization` module. Treat this as
an image/SDK blocker, not a checkpoint resolver issue.
**mat1 and mat2 shapes cannot be multiplied in `post_process.py`**: The text
token length and label position maps are inconsistent, commonly because
`model.max_text_len` was overridden below the default 256 while the dataset
label maps still use 256-length position maps. Restore `model.max_text_len` or
regenerate the label maps with the same length.
**index is out of bounds for dimension 0 in `criterion.py`**: `model.num_queries`
is too small for the matched ODVG targets in the current batch. Increase
`model.num_queries` and keep `model.num_select` compatible with it.
**NotADirectoryError with `images.tar.gz/<image>.jpg`**: The direct TAO CLI is
trying to traverse an archive path as a directory. Extract the archive and set
the relevant `image_dir` field to the extracted image folder; archive-backed
skill data sources use `runtime: extracted_folder` for this reason.
## Spec Param / Parent Model Inference
Model-specific inference mappings belong in this MD file, not in `config.json`. Generated runners should read this section and apply the mappings with SDK helpers before `create_job()`. This mirrors the old microservices `infer_params.py` flow.
Inference mappings from TAO Core `grounding_dino.config.json`:
| Action | Spec Field | Inference Function | Meaning |
|---|---|---|---|
| evaluate | `encryption_key` | `key` | encryption key |
| evaluate | `evaluate.checkpoint` | `parent_model` | model file inferred from the parent job results folder |
| evaluate | `evaluate.trt_engine` | `parent_model` | model file inferred from the parent job results folder |
| evaluate | `results_dir` | `output_dir` | current job results directory |
| export | `encryption_key` | `key` | encryption key |
| export | `export.checkpoint` | `parent_model` | model file inferred from the parent job results folder |
| export | `export.onnx_file` | `create_onnx_file` | output ONNX path |
| export | `results_dir` | `output_dir` | current job results directory |
| inference | `encryption_key` | `key` | encryption key |
| inference | `inference.checkpoint` | `parent_model` | model file inferred from the parent job results folder |
| inference | `inference.trt_engine` | `parent_model` | model file inferred from the parent job results folder |
| inference | `results_dir` | `output_dir` | current job results directory |
| quantize | `encryption_key` | `key` | encryption key |
| quantize | `quantize.model_path` | `parent_model` | model file inferred from the parent job results folder |
| quantize | `results_dir` | `output_dir` | current job results directory |
| train | `encryption_key` | `key` | encryption key |
| train | `model.pretrained_backbone_path` | `ptm_if_no_resume_model` | PTM when no resume checkpoint exists |
| train | `results_dir` | `output_dir` | current job results directory |
| train | `train.pretrained_model_path` | `ptm_if_no_resume_model` | PTM when no resume checkpoint exists |
| train | `train.resume_training_checkpoint_path` | `resume_model` | model file inferred from the current job results folder |
For `parent_model` or `parent_model_folder`, pass the upstream train/export/AutoML child job id as `parent_job_id`. The SDK lists the parent result folder, filters checkpoint artifacts, and returns the selected model file or folder. Do not add these mappings back to `config.json` and do not patch generated runner scripts to guess checkpoint paths.
When selecting a Grounding-DINO checkpoint outside the SDK resolver, match the
intended epoch/step artifact exactly, for example
`model_epoch_000_step_00046.pth`. The `gdino_model_latest.pth` symlink is valid
only when latest is explicitly requested. Carry structural model settings such
as `model.backbone`, `model.num_queries`, `model.num_select`,
`model.num_feature_levels`, `model.max_text_len`, and export input resolution
forward into evaluate, inference, export, and deploy specs so checkpoint and
engine shapes match.
## Deployment
- [tao-deploy-grounding-dino](references/tao-deploy-grounding-dino.md)
Todos os arquivos
24 arquivosInstalar tao-train-grounding-dino
Baixe e descompacte os arquivos de habilidades no diretório .claude/skills/.
Baixar ZIPClone o repositório e copie os arquivos da habilidade para o seu projeto.
git clone https://github.com/NVIDIA/skills/tree/main/skills/tao-train-grounding-dino # Copy SKILL.md to your .claude/skills/ directory
Copiar





Lar
