用途：RT-DETR（Real-Time DEtection TRansformer）用于 2D 目标检测，面向实时推理，兼顾精度，支持蒸馏与量化以优化部署。本技能覆盖训练、评估、推理、导出、量化、蒸馏及 TAO Deploy 的 TensorRT 流程（gen_trt_engine、TensorRT 评估与推理）。
主要能力与用法：数据格式为 coco、coco_raw，监控指标 val_mAP50。每个动作都必须在 spec_overrides 中构造数据源路径，例如训练用 dataset.train_data_sources 指向 image_dir 的 images.tar.gz 与 json_file 的 annotations.json。常用覆盖包括 train.num_epochs、train.checkpoint_interval、train.num_gpus、dataset.num_classes（默认 80，须与标注一致）、export.input_height/width（默认 640）、gen_trt_engine.tensorrt.data_type 等。模型默认 backbone 为 resnet_50，可选 ResNet、ConvNeXt、FAN、EfficientViT；train.optim.lr 默认 1e-4，lr_backbone 默认 1e-5；train_spatial_size 默认 [640,640]；num_feature_levels 默认 3，return_interm_indices 为 [1,2,3]；train.enable_ema 默认 False；remap_mscoco_category 默认 False，仅原版 MSCOCO 需要开启。多卡训练用 torchrun，相关参数含 train.num_gpus、gpu_ids、num_nodes、distributed_strategy（ddp/fsdp，fsdp 强制 FP16），多节点依赖 WORLD_SIZE、NODE_RANK、MASTER_ADDR、MASTER_PORT 等环境变量。导出默认 640x640、opset 17，TRT 数据类型支持 FP32/FP16/INT8，workspace 1024MB，max_batch_size 4。蒸馏需配置教师模型路径与蒸馏绑定。AutoML 在模型层启用；除显式关闭（automl_policy: off）外，训练默认经 tao-run-automl 路由，且需 schemas/train.schema.json 与 train.yaml 模板存在。
适用场景：需要实时 2D 检测的部署场景，含量化与 TensorRT 加速。硬件最低 1 GPU，推荐 2 GPU，单卡显存 16GB+（V100/A100）。
限制：显存不足时需降低 batch_size；num_classes 与 return_interm_indices、num_feature_levels 需保持一致；缺失训练 schema 时 AutoML 虽启用但不可运行。具体价格、安装命令与更多教程资料暂未提供。