用途：该技能面向二维目标检测，使用 DINO（DETR with Improved DeNoising Anchor Boxes）这一基于 Transformer 的检测器，支持去噪训练、多尺度特征和可选蒸馏，并配套 TAO 的训练、评估、推理、导出与 Deploy 部署流程。
主要能力：支持 COCO 与 coco_raw 格式数据集，监控指标为 val_mAP50；可使用预训练骨干权重（如 ResNet-50 ImageNet），通过 model.pretrained_backbone_path 指定仅骨干，或 train.pretrained_model_path 指定完整模型。模型层支持 AutoML；默认将 train 动作交由 tao-skill-bank:tao-run-automl 执行，除非显式设置 automl_policy: off。
使用方式：训练前必须解析训练与验证数据集 URI（均为必需，DINO 无条件构建 val dataloader，缺失会触发 FileNotFoundError，无独立验证集时可复用训练 URI）、num_classes（默认 91，须大于等于最大 category_id 加一）。标准数据产物为 images.tar.gz 与 annotations.json。数据源覆盖为强制项，需写入 spec_overrides。常用参数含 backbone、lr/lr_backbone、num_epochs、lr_steps、num_queries、batch_size；默认值为 num_epochs 10、batch_size 4、learning_rate 2e-4、lr_backbone 2e-5、num_classes 91、backbone resnet_50。评估时应沿用获胜 AutoML 推荐的结构设置以匹配检查点形状。Deploy 的 TensorRT 相关操作需先阅读 references/tao-deploy-dino.md。
适用场景：COCO 格式的目标检测训练、评估、推理、导出及 TAO Deploy 工作流，也包含无输入时的 AutoML 冒烟运行默认配置。
限制：无输入时使用 DINO_AUTOML_PROFILE 仅用于冒烟与迭代，不是生产基准；不得搜索历史运行推断数据集或类别数。常见错误包括 CUDA OOM、num_select 与 num_queries×num_classes 不匹配、spec/schema 合并错误、数据集小于 batch、return_interm_indices 与 num_feature_levels 不匹配、num_classes 过低触发 CUDA 设备端断言、S3 输入未下载及评估检查点未找到等，详见 references/troubleshooting.md。未提供的收费与价格信息暂未提供。