用途：getitune 是低代码迁移学习库，用于训练、微调计算机视觉模型。训练由 create_engine(...) 创建的 Engine 驱动，将模型/配方与数据集配对后返回可运行的引擎。配方（library/src/getitune/recipe/<task>/ 下的 YAML）打包了模型、数据管道与训练配置，仅给模型名即可获得较强基线。
主要能力：提供两个等价入口，共享相同对象与配方。Python API：from getitune.engine import create_engine，然后 engine.train() / engine.test()，适合 notebook、脚本、测试与库集成。CLI：getitune train --data_root <path> --model <name|recipe.yaml>，适合可复现实验与 shell 工作流。
使用方式：在 library/ 目录下运行，按硬件安装对应 extra：uv sync（cpu）、uv sync --extra xpu 或 uv sync --extra cuda。Python API 示例：engine = create_engine(model="efficientnet_b0", data="/path/to/dataset_root", work_dir="./my_workspace", device="auto")，随后 engine.train(max_epochs=50) 与 engine.test()。模型可传名称、配方路径或模型类；若名称匹配多个任务，用 task= 消歧。数据格式由 Datumaro 自动检测（COCO/YOLO/VOC/native）。可用 checkpoint="/path/to/weights.pt" 热启动。CLI 支持仅给数据、指定模型、覆盖超参、运行完整配置等用法，getitune test 与 getitune predict 共享 --model / --data_root 形式。device="auto" 自动选择加速器，也可强制 cpu、gpu、xpu、cuda 或索引；设备须与安装的 extra 匹配。
适用场景：训练、微调、评估与预测计算机视觉模型，适合快速基线实验与可复现实验。
限制：资料未提供具体支持的模型清单、任务类型全集、性能数据与收费信息；调试建议先跑一个 epoch 小数据集，形状/特征不匹配通常意味着数据集标签或任务与模型不一致。相关技能包括 getitune-discovering-models、getitune-preparing-datasets、getitune-exporting-a-model、getitune-running-inference、geti-library-dev。