用途：该技能使用 ST-GCN（Spatial Temporal Graph Convolutional Network，时空图卷积网络），从姿势关键点数据中将骨架序列分类为动作类别，通常基于骨架数据从零开始训练。
主要能力：打包的 PyTorch Pose Classification CLI 支持 dataset_convert、train、evaluate、export 和 inference。dataset_convert 为条件性操作，仅当输入为原始 DeepStream BodyPose JSON 时运行；若数据集已转换为 TAO 可用的 .npy / .pkl 文件，则直接以 train 开始，并在验证报告中标记为未运行数据集转换。该模型不提供 deploy、prune、quantize 或独立的 retrain 操作。恢复/重训通过 pose_classification train -e ... 并填充 train.resume_training_checkpoint_path 实现。
使用方式：数据源覆盖对每次运行都是必需的，需依据各操作的数据集要求构造路径并写入 spec_overrides。典型覆盖涵盖 dataset.num_classes（默认 6）、model.graph_layout（nvidia / openpose，决定关节连接）、model.graph_strategy、train.optim.lr（默认 0.1，SGD）、model.dropout，以及 train.num_epochs、checkpoint_interval、validation_interval、num_gpus 等。导出需显式指定 export.onnx_file；推理必须设置 inference.output_file 为可写路径。
适用场景：骨架动作识别，如将姿态关键点序列分类为多种动作类别，适合轻量级模型部署。
限制：训练需要数据文件 train_data.npy、train_label.pkl、val_data.npy、val_label.pkl；评估与推理需 val/test 数据。监视指标为 val_loss。最低 1 块 GPU，建议 1 块，每 GPU 显存 8GB 以上，仅支持单节点。需注意图布局不匹配、标签范围或 label_map 缺失、检查点交接等问题。AutoML 在模型层启用，若 schemas/train.schema.json 与 references/spec_template_train.yaml 缺失则无法运行，需报告。运行时不预期存在 ~/tao-core。部分参数默认值与硬件细节以实际打包资料为准，暂未提供更详细收费信息。