用途：OCDNet 用于场景文本检测，可在自然图像中检测任意方向的文本区域，采用可微分二值化方法。该技能属于 NVIDIA TAO 技能库，若会话未由 TAO 技能库插件初始化，需先运行 tao-setup 技能完成主机预检、凭据与跨技能发现。
主要能力：PyT OCDNet CLI 支持 train、evaluate、export、inference、prune、quantize 和 default_specs，不提供 PyT 侧 retrain 或 gen_trt_engine 子命令。模型技能通过 ocdnet train 配合 model.load_pruned_graph: true 与 model.pruned_graph_path 实现 retrain；从 epoch 检查点恢复训练使用 ocdnet train 加 train.resume_training_checkpoint_path。TensorRT 引擎生成由部署工作流负责，执行 gen_trt_engine、TensorRT 评估与推理前需先阅读 references/tao-deploy-ocdnet.md。
使用方式：训练需指定数据集类型 ocdnet，格式为 default。数据源覆盖为必填，OCDNet 不在运行时解压数据集归档，需先解压 train.tar.gz、test.tar.gz 或 img.tar.gz，再传入含 img/ 与 gt/ 的划分文件夹，或传入 UTF-8 datalist 文本文件。训练示例覆盖包括 train.num_epochs、train.checkpoint_interval、train.validation_interval、train.num_gpus、dataset.train_dataset.loader.batch_size、dataset.train_dataset.data_path 与 dataset.validate_dataset.data_path。评估、推理、剪枝、量化、恢复训练与从剪枝结果重训各有对应的必填数据源键。default_specs 需要可写的 results_dir。
AutoML：该模型在模型层启用 AutoML。默认 automl_policy: on，当 schemas/train.schema.json 与 references/spec_template_train.yaml 均已打包时，训练动作默认经 tao-skill-bank:tao-run-automl 路由。优化指标为 train_loss，方向 minimize；train_loss_epoch 仅作日志回退别名，独立评估指标为 hmean，方向 maximize。单 epoch 本地 AutoML 冒烟运行需设 train.lr_scheduler.args.warmup_epoch: 0。
适用场景与限制：适用于自然图像中任意方向文本区域的检测任务。最低 1 块 GPU，推荐 1 块，每 GPU 8GB 以上显存，单 GPU 通常足够。多 GPU 由 Lightning 管理，支持 ddp、fsdp 与 deepspeed_stage_3_offload。常见问题包括检测率低需调整 postprocess.thresh 与 box_thresh；将归档路径直接作为 data_path 会导致数据加载器按 UTF-8 datalist 打开 gzip；PyTorch 量化路径不应传入 model_best.pth，应使用完整的 model_epoch_<epoch>step<step>.pth。检查点交接方面，train 写出 model_best.pth 与完整 Lightning epoch 检查点，评估、推理、导出、剪枝使用 model_best.pth，恢复训练需用具体 epoch 检查点。其余未在资料中说明的收费、平台与效果信息暂未提供。