用途：在 TAO 技能库中完成 SegFormer 语义分割模型的训练与后续流程，覆盖 train、evaluate、inference、export、quantize 以及 gen_trt_engine 等 TensorRT 部署动作。
主要能力：SegFormer 采用轻量级 Transformer 分层特征提取，适合实时分割任务。数据集类型为 segmentation，格式 unet，监控指标 val_miou。关键参数包括 dataset.segment.num_classes（默认 2，需与掩码类别数一致）、model.backbone.type（默认 fan_small_12_p4_hybrid，支持 FAN 与 SegFormer MIT 等变体）、dataset.segment.img_size（默认 256）、train.optim.lr（默认 6e-5）、model.freeze_backbone、dataset.segment.batch_size（默认 8）。骨干权重通过 model.backbone.pretrained_backbone_path 设置。
使用方式：每个动作都必须构造数据源路径并写入 spec_overrides，例如 train 使用 dataset.segment.root_dir 指向训练数据，evaluate 与 inference 指向评估数据，quantize 还需设置 dataset.segment.quant_calibration_dataset.images_dir。多 GPU 由 Lightning 管理，默认 train.num_gpus=1，策略为 ddp_find_unused_parameters_true，不支持 fsdp；多节点环境变量由编排器设置。训练阶段若 automl_policy 为 auto 且 automl_enabled 为 true 且打包了 train schema 与模板，默认经 tao-skill-bank:tao-run-automl 路由；用户要求关闭 AutoML 时按 off 处理，仅走直接训练。
适用场景与限制：适合需要实时语义分割的训练与部署流水线。最低 1 张 GPU，推荐 2 张，每卡 16GB 以上显存（V100 或 A100）。显存不足时降低 batch_size 或 img_size，SegFormer 显存随图像尺寸平方增长。TensorRT 相关动作需先阅读 references/tao-deploy-segformer.md。运行时不存在 ~/tao-core，schema 与模板由维护者在打包前生成。若缺少 train schema 或模板，需说明 AutoML 已启用但当前不可运行。其他未在资料中说明的收费、平台与效果信息暂未提供。