Visual ChangeNet 是 TAO Toolkit 的视觉检测模型，用于 AOI 缺陷检测，支持两类任务：Classify 用共享骨干的孪生式架构比较图像对，输出 PASS/NO_PASS 二分类；Segment 用 ViT-Large NVDINOv2 骨干对前后图像对做像素级变化分割，生成二值变化掩膜。
用法上，Classify 使用 train、evaluate、inference，模板 references/spec_template_train.yaml；Segment 使用 segment_train、segment_evaluate、segment_inference，模板 references/spec_template_segment.yaml，首次运行需编译自定义 CUDA 算子，约 5 分钟。数据集方面，Classify 用四列 CSV（input_path,golden_path,label,object_name）加 images 目录；Segment 用根目录下的 A/、B/、list/、label/ 配对目录。每个动作都必须构造并传入数据源 spec_overrides。
骨干权重为 nvidia/C-RADIOv2-B 的 model.safetensors（约 393 MB）。TAO 7.0.0-rc 容器不会自动从 HuggingFace 下载，需先本地暂存再挂载，并将 spec 的 model.backbone.pretrained_backbone_path 设为容器内路径；HF_TOKEN 仅在暂存时需要。
该模型在模型层启用 AutoML：默认将 train 动作路由到 tao-skill-bank:tao-run-automl；用户要求关闭 AutoML 时本运行使用 automl_policy: off 并直接训练。evaluate、inference、export 等非训练动作仍留在本技能。TAO Deploy 的 gen_trt_engine、TensorRT 评估与推理需先阅读 references/tao-deploy-visual-changenet.md。
主要参数包括 train.num_epochs（默认 100）、validation_interval（默认 50）、checkpoint_interval（默认 200）、model.classify.eval_margin（默认 0.3）、train.classify.cls_weight（默认 [1.0, 10.0]）。最低需 1 块 16GB 以上显存 GPU，生产建议 8 卡 DDP；GPU 数量由 TAO 内部管理，不应设置 gpu_spec_key。无 TAO SDK 时可按 versions.yaml 解析 TAO pyt 镜像，用 --shm-size=8g 并以单文件挂载骨干 ckpt 运行。其余错误模式与完整参数见对应参考文档。