Roboflow 100 多领域目标检测基准Ultralytics YOLO 数据集构成与多数据集微调实战指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsRoboflow 100RF100是由 Roboflow 团队发布、Intel 赞助的多领域目标检测基准数据集包含横跨七大领域的 100 个子数据集、224,714 张图像与 805 个类别专门用于检验 Ultralytics YOLO 系列模型在医疗影像、航拍、水下、电磁、文档、电子游戏等跨域场景下的适应性与鲁棒性。本文基于官方数据集文档docs/en/datasets/detect/roboflow-100.md完整介绍 RF100 的领域划分、标准化细节与评估方法并结合当前仓库源码剖析 Ultralytics 引擎内置的MultiTrainer机制——即如何把 100 个数据集的 YAML 以列表形式一次性传入model.train()在一次调用中完成全部微调并自动产出跨数据集的指标 JSON 与对比柱状图帮助读者快速建立一套可复制、可运行的 RF100 基准评测流程。数据集定位为什么需要多领域基准传统的目标检测基准如 COCO、PASCAL VOC通常聚焦于单一领域的常见物体模型在这些基准上的高分并不保证其在其他领域的表现。RF100 的意义在于提供一个标准化、跨领域的测试床评估模型的多领域性能在医疗、航拍、游戏等 100 个具体数据集上量化检测效果测试真实场景适应性验证模型在常见基准之外的鲁棒性横向对比架构与优化技术在同一集合上比较不同神经网络架构或优化策略发现领域特有问题识别需要通过迁移学习、针对性微调等手段解决的跨域难点。与仅优化单一指标的常规基准相比RF100 通过覆盖广泛领域帮助开发者构建更通用、更鲁棒的计算机视觉模型。该数据集的元数据与下载链接维护在 Roboflow 官方的 roboflow-100-benchmark 仓库中其数据本身遵循 MIT 许可见文档头信息。关键特性与七大领域构成RF100 的核心特性可归纳为五点领域多样覆盖航拍Aerial、电子游戏Video games、显微Microscopic、水下Underwater、文档Documents、电磁Electromagnetic、真实世界Real World七大领域规模可观224,714 张图像、805 个类别累计超过 11,170 小时的数据标注工作量标准化预处理所有图像已预处理并统一缩放至 640×640 像素保证跨数据集评估的一致性干净的评估消除类别歧义过滤掉表示不足的类别使模型评估更可靠评估方法参见 模型评估指南完整标注包含目标边界框bounding box适合用于目标检测模型的训练与基于 mAP 等指标的评估。各领域的具体构成如下表引自官方文档领域数据集数图像数类别数Aerial航拍79,68324Video Games电子游戏711,57988Microscopic显微1113,37828Underwater水下518,00339Documents文档824,81390Electromagnetic电磁1236,38141Real World真实世界50110,615495合计100224,714805其中 Real World 是最大的类别涵盖日常物体、场景、零售等广泛内容Electromagnetic 领域则包含雷达签名、光谱数据可视化等较冷门的场景。这种划分让 RF100 成为检验模型泛化能力的理想资源。基准评测流程从数据集获取到指标聚合RF100 的评测遵循标准的目标检测基准流程使用 mAP、F1、精度等标准化指标衡量模型表现指标定义详见 YOLO 性能指标指南。官方文档给出的完整工作流分为三步下载数据集、准备 YOLO 格式配置、单次model.train()跨全部数据集微调。完整示例脚本如下继承自官方文档依赖roboflow官方 SDKimport re from pathlib import Path from roboflow import Roboflow from ultralytics import YOLO from ultralytics.utils import ASSETS_URL, LOGGER, YAML from ultralytics.utils.downloads import safe_download # 1. 下载 RF100 数据集需要 Roboflow API Key rf Roboflow(api_keyYOUR_ROBOFLOW_API_KEY) safe_download(f{ASSETS_URL}/datasets_links.txt) # RF100 数据集链接清单 datasets [] for line in Path(datasets_links.txt).read_text().splitlines(): try: _, _url, workspace, project, version re.split(/, line.strip()) location frf-100/{project}-{version} rf.workspace(workspace).project(project).version(version).download(yolov8, locationlocation) yaml Path(location) / data.yaml cfg YAML.load(yaml) # 将 train/val 指向下载后的图像目录 cfg[train], cfg[val] train/images, valid/images YAML.save(yaml, cfg) datasets.append(str(yaml)) except Exception as e: LOGGER.warning(fFailed to prepare dataset from {line!r}: {e}) # 2. 用同一个基座模型跨全部 RF100 数据集微调并自动可视化跨数据集结果 model YOLO(yolo26n.pt) results model.train(datadatasets, epochs100, imgsz640) # 返回 {dataset: metrics} # 3. 每个数据集的运行目录、multitrain_results.json 与 multitrain_results.png # 统一保存在 runs/detect/multitrain 下可读取内存结果或 JSON 做自定义后处理 for dataset, metrics in results.items(): if metrics: # 若该数据集训练失败则为 None print(f{dataset}: mAP50-95 {metrics[metrics/mAP50-95(B)]:.4f})脚本要点说明datasets_links.txt由safe_download从ASSETS_URL拉取其中逐行列出 100 个数据集在 Roboflow 平台上的workspace/project/version定位信息。从源码看ASSETS_URL在 ultralytics/utils/init.py 中定义为 ultralytics assets 的 GitHub 发布地址safe_download则负责带校验的文件下载每个数据集以yolov8格式下载到rf-100/{project}-{version}/目录脚本随后改写其data.yaml把train/val字段指向下载产生的train/images、valid/images相对目录保证 YOLO 引擎能直接按路径加载单个数据集下载或准备失败时仅记录警告并跳过不会中断整个流程——这与引擎侧的容错设计一致见下文最后把100 个 YAML 路径组成的列表传给model.train()这是触发多数据集评测模式的关键。源码机制MultiTrainer 如何接管列表形式的 data将data传入列表或元组会进入 Ultralytics 引擎的多数据集分支。在 ultralytics/engine/model.py 中Model.train()检测到args[data]是列表/元组时会构造MultiTrainer并直接返回其训练结果if isinstance(args.get(data), (list, tuple)): # fine-tune a single base model across multiple datasets from ultralytics.engine.trainer import MultiTrainer use_python_trainer trainer is not None or self.callbacks ! callbacks.get_default_callbacks() self.trainer MultiTrainer( (trainer or self._smart_load(trainer)) if use_python_trainer else None, args, self.model, _callbacksself.callbacks, ) self.metrics self.trainer.train() return self.metricsMultiTrainer的完整实现位于 ultralytics/engine/trainer.py其设计要点可从源码直接确认串行微调、同一起点data列表中的每个数据集按顺序各跑一次完整训练且每一次都以同一个基座权重为起点而非链式累积保证每个数据集的评测从完全相同的模型状态出发结果可比基座模型对象本身不被修改统一 sweep 目录所有运行归组到单一扫描目录如runs/detect/multitrain每个数据集拥有独立子目录及各自的results.png运行目录名取自 YAML 所在目录名或文件名去重时自动追加后缀如coco8-2容错跳过任一数据集微调失败时记录错误并将其指标置为None不会中断整个 sweep源码中对应except分支的 one bad dataset should not abort the whole sweep 注释结果聚合save_results()将每数据集指标与跨数据集均值写入multitrain_results.json结构为{results: {run: metrics|None}, mean: {...}}便于程序化后处理plot_results()依据任务主指标TASK2METRIC映射调用 plot_multitrain_results 绘制含均值虚线的跨数据集柱状图multitrain_results.png指标回读优先从验证器读取results_dict否则回退读取检查点中的train_metrics最终作为{dataset: metrics}字典返回给调用方。该流程同样被超参数调优器复用ultralytics/engine/tuner.py 中每轮迭代都将data无论单个还是列表统一包装为列表后交给MultiTrainer并把多数据集 fitness 取平均作为该轮的适应度——这说明列表数据训练是引擎内的一等公民能力而非 RF100 专属功能。测试用例 tests/test_python.py 中的test_train_multi验证了上述行为传入data[coco8.yaml, coco8.yaml]后断言返回字典含两个条目重名自动消解为coco8、coco8-2、sweep 目录名以multitrain开头且multitrain_results.json与multitrain_results.png均已生成。输出结构速览一次 RF100 完整评测完成后产物目录结构如下runs/detect/multitrain/ ├── multitrain_results.json # 每数据集指标 跨数据集均值mean ├── multitrain_results.png # 跨数据集柱状图含均值线 ├── {dataset-A}/ # 每个数据集一个子目录 │ ├── weights/ # best.pt / last.pt │ ├── results.png │ └── ... └── {dataset-B}/ └── ...程序侧也可直接使用model.train()的返回值{dataset: metrics}字典对指标非None的数据集可读取如metrics/mAP50-95(B)、fitness等键值做自定义统计或报表。典型应用场景结合 RF100 的多领域特性研究和工程团队通常用它完成以下工作跨域模型评估衡量检测模型在多领域语境下的整体表现而非单一基准上的单点指标鲁棒性压测在 COCO、VOC 之外的真实场景水下生物、显微细胞、雷达图像等上暴露模型短板架构与优化对比在同一 100 数据集集合上比较不同骨干网络、优化器或训练策略制定领域专项方案根据分领域结果定位薄弱域再针对性地采用迁移学习或领域微调可参考 模型训练技巧。对于 RF100 中样本多样性带来的训练挑战文档也指出可通过数据增强进一步提升训练时的多样性相关实践见 数据增强指南。数据与标注示例RF100 的样本图像来自不同视角与领域航拍与无人机视角的游戏场景、显微下的细胞与颗粒、水下海洋生物、文档中的文本区域与表单元素、雷达/电磁信号的可视化图像等。这种多样性正是其相对传统基准的进步之处——传统基准往往在有限领域内优化单一指标而 RF100 强调多域通用这一更贴近工业落地的能力目标。使用方式与前置条件获取渠道RF100 的元数据与下载链接维护在 Roboflow 官方的 roboflow-100-benchmark 仓库中数据集本体通过 Roboflow 平台按版本下载因此需要准备一个 Roboflow API Key运行环境示例脚本依赖roboflow官方 Python SDK 与 Ultralytics 引擎训练侧使用当前仓库中的 YOLO 系列模型如文档示例中的yolo26n.pt许可说明数据集采用 MIT 许可Ultralytics 引擎本身提供 AGPL-3.0 与 Enterprise 两种许可选项商用集成前请自行确认详见 LICENSE 文件规模提示100 个数据集、22 万余图像全量微调耗时巨大实践中可先用子集如每个领域抽样 23 个数据集验证流程再扩展至全量。延伸阅读与引用更多目标检测数据集african-wildlife、VisDrone、Objects365 等可在 检测数据集索引 浏览全量数据集列表见 数据集总览评测指标口径见 YOLO 性能指标训练与部署选项分别见 训练模式 与 模型部署选项若在研究中使用了 RF100请按作者要求引用原始论文2022arXiv:2211.13523misc{rf100benchmark, Author {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz}, Title {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark}, Year {2022}, Eprint {arXiv:2211.13523} }常见问题Q1什么是 Roboflow 100为什么它对标检测重要RF100 是一个目标检测基准由横跨医疗、航拍、电子游戏等领域的 100 个子数据集构成。它的价值在于提供了跨领域测试模型适应性与鲁棒性的标准化方式突破了传统基准通常局限于单一领域的局限。Q2RF100 覆盖哪些领域共七个领域Aerial7 个数据集卫星/无人机影像、Video Games7 个各类游戏环境物体、Microscopic11 个细胞、颗粒等、Underwater5 个海洋生物、水下物体、Documents8 个文本区域、表单元素、Electromagnetic12 个雷达签名、光谱可视化、Real World50 个日常物体、场景、零售等。Q3为什么要把 data 传成列表而不是逐个数据集单独训练列表形式会触发引擎内置的MultiTrainer流程ultralytics/engine/model.py它保证每次微调都从同一基座权重出发、所有运行归组到统一 sweep 目录、失败数据集自动跳过、并自动产出multitrain_results.json与跨数据集柱状图。若手动逐个调用train()则需要自行保证起点一致并手工聚合指标。Q4某个数据集训练失败会影响整体吗不会。MultiTrainer对每个数据集的失败仅记录错误、把该条指标置为None并继续下一个见 trainer.py 容错分支JSON 中该条目为null柱状图与均值只统计成功项。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Roboflow 100 多领域目标检测基准：Ultralytics YOLO 数据集构成与多数据集微调实战指南
Roboflow 100 多领域目标检测基准Ultralytics YOLO 数据集构成与多数据集微调实战指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsRoboflow 100RF100是由 Roboflow 团队发布、Intel 赞助的多领域目标检测基准数据集包含横跨七大领域的 100 个子数据集、224,714 张图像与 805 个类别专门用于检验 Ultralytics YOLO 系列模型在医疗影像、航拍、水下、电磁、文档、电子游戏等跨域场景下的适应性与鲁棒性。本文基于官方数据集文档docs/en/datasets/detect/roboflow-100.md完整介绍 RF100 的领域划分、标准化细节与评估方法并结合当前仓库源码剖析 Ultralytics 引擎内置的MultiTrainer机制——即如何把 100 个数据集的 YAML 以列表形式一次性传入model.train()在一次调用中完成全部微调并自动产出跨数据集的指标 JSON 与对比柱状图帮助读者快速建立一套可复制、可运行的 RF100 基准评测流程。数据集定位为什么需要多领域基准传统的目标检测基准如 COCO、PASCAL VOC通常聚焦于单一领域的常见物体模型在这些基准上的高分并不保证其在其他领域的表现。RF100 的意义在于提供一个标准化、跨领域的测试床评估模型的多领域性能在医疗、航拍、游戏等 100 个具体数据集上量化检测效果测试真实场景适应性验证模型在常见基准之外的鲁棒性横向对比架构与优化技术在同一集合上比较不同神经网络架构或优化策略发现领域特有问题识别需要通过迁移学习、针对性微调等手段解决的跨域难点。与仅优化单一指标的常规基准相比RF100 通过覆盖广泛领域帮助开发者构建更通用、更鲁棒的计算机视觉模型。该数据集的元数据与下载链接维护在 Roboflow 官方的 roboflow-100-benchmark 仓库中其数据本身遵循 MIT 许可见文档头信息。关键特性与七大领域构成RF100 的核心特性可归纳为五点领域多样覆盖航拍Aerial、电子游戏Video games、显微Microscopic、水下Underwater、文档Documents、电磁Electromagnetic、真实世界Real World七大领域规模可观224,714 张图像、805 个类别累计超过 11,170 小时的数据标注工作量标准化预处理所有图像已预处理并统一缩放至 640×640 像素保证跨数据集评估的一致性干净的评估消除类别歧义过滤掉表示不足的类别使模型评估更可靠评估方法参见 模型评估指南完整标注包含目标边界框bounding box适合用于目标检测模型的训练与基于 mAP 等指标的评估。各领域的具体构成如下表引自官方文档领域数据集数图像数类别数Aerial航拍79,68324Video Games电子游戏711,57988Microscopic显微1113,37828Underwater水下518,00339Documents文档824,81390Electromagnetic电磁1236,38141Real World真实世界50110,615495合计100224,714805其中 Real World 是最大的类别涵盖日常物体、场景、零售等广泛内容Electromagnetic 领域则包含雷达签名、光谱数据可视化等较冷门的场景。这种划分让 RF100 成为检验模型泛化能力的理想资源。基准评测流程从数据集获取到指标聚合RF100 的评测遵循标准的目标检测基准流程使用 mAP、F1、精度等标准化指标衡量模型表现指标定义详见 YOLO 性能指标指南。官方文档给出的完整工作流分为三步下载数据集、准备 YOLO 格式配置、单次model.train()跨全部数据集微调。完整示例脚本如下继承自官方文档依赖roboflow官方 SDKimport re from pathlib import Path from roboflow import Roboflow from ultralytics import YOLO from ultralytics.utils import ASSETS_URL, LOGGER, YAML from ultralytics.utils.downloads import safe_download # 1. 下载 RF100 数据集需要 Roboflow API Key rf Roboflow(api_keyYOUR_ROBOFLOW_API_KEY) safe_download(f{ASSETS_URL}/datasets_links.txt) # RF100 数据集链接清单 datasets [] for line in Path(datasets_links.txt).read_text().splitlines(): try: _, _url, workspace, project, version re.split(/, line.strip()) location frf-100/{project}-{version} rf.workspace(workspace).project(project).version(version).download(yolov8, locationlocation) yaml Path(location) / data.yaml cfg YAML.load(yaml) # 将 train/val 指向下载后的图像目录 cfg[train], cfg[val] train/images, valid/images YAML.save(yaml, cfg) datasets.append(str(yaml)) except Exception as e: LOGGER.warning(fFailed to prepare dataset from {line!r}: {e}) # 2. 用同一个基座模型跨全部 RF100 数据集微调并自动可视化跨数据集结果 model YOLO(yolo26n.pt) results model.train(datadatasets, epochs100, imgsz640) # 返回 {dataset: metrics} # 3. 每个数据集的运行目录、multitrain_results.json 与 multitrain_results.png # 统一保存在 runs/detect/multitrain 下可读取内存结果或 JSON 做自定义后处理 for dataset, metrics in results.items(): if metrics: # 若该数据集训练失败则为 None print(f{dataset}: mAP50-95 {metrics[metrics/mAP50-95(B)]:.4f})脚本要点说明datasets_links.txt由safe_download从ASSETS_URL拉取其中逐行列出 100 个数据集在 Roboflow 平台上的workspace/project/version定位信息。从源码看ASSETS_URL在 ultralytics/utils/init.py 中定义为 ultralytics assets 的 GitHub 发布地址safe_download则负责带校验的文件下载每个数据集以yolov8格式下载到rf-100/{project}-{version}/目录脚本随后改写其data.yaml把train/val字段指向下载产生的train/images、valid/images相对目录保证 YOLO 引擎能直接按路径加载单个数据集下载或准备失败时仅记录警告并跳过不会中断整个流程——这与引擎侧的容错设计一致见下文最后把100 个 YAML 路径组成的列表传给model.train()这是触发多数据集评测模式的关键。源码机制MultiTrainer 如何接管列表形式的 data将data传入列表或元组会进入 Ultralytics 引擎的多数据集分支。在 ultralytics/engine/model.py 中Model.train()检测到args[data]是列表/元组时会构造MultiTrainer并直接返回其训练结果if isinstance(args.get(data), (list, tuple)): # fine-tune a single base model across multiple datasets from ultralytics.engine.trainer import MultiTrainer use_python_trainer trainer is not None or self.callbacks ! callbacks.get_default_callbacks() self.trainer MultiTrainer( (trainer or self._smart_load(trainer)) if use_python_trainer else None, args, self.model, _callbacksself.callbacks, ) self.metrics self.trainer.train() return self.metricsMultiTrainer的完整实现位于 ultralytics/engine/trainer.py其设计要点可从源码直接确认串行微调、同一起点data列表中的每个数据集按顺序各跑一次完整训练且每一次都以同一个基座权重为起点而非链式累积保证每个数据集的评测从完全相同的模型状态出发结果可比基座模型对象本身不被修改统一 sweep 目录所有运行归组到单一扫描目录如runs/detect/multitrain每个数据集拥有独立子目录及各自的results.png运行目录名取自 YAML 所在目录名或文件名去重时自动追加后缀如coco8-2容错跳过任一数据集微调失败时记录错误并将其指标置为None不会中断整个 sweep源码中对应except分支的 one bad dataset should not abort the whole sweep 注释结果聚合save_results()将每数据集指标与跨数据集均值写入multitrain_results.json结构为{results: {run: metrics|None}, mean: {...}}便于程序化后处理plot_results()依据任务主指标TASK2METRIC映射调用 plot_multitrain_results 绘制含均值虚线的跨数据集柱状图multitrain_results.png指标回读优先从验证器读取results_dict否则回退读取检查点中的train_metrics最终作为{dataset: metrics}字典返回给调用方。该流程同样被超参数调优器复用ultralytics/engine/tuner.py 中每轮迭代都将data无论单个还是列表统一包装为列表后交给MultiTrainer并把多数据集 fitness 取平均作为该轮的适应度——这说明列表数据训练是引擎内的一等公民能力而非 RF100 专属功能。测试用例 tests/test_python.py 中的test_train_multi验证了上述行为传入data[coco8.yaml, coco8.yaml]后断言返回字典含两个条目重名自动消解为coco8、coco8-2、sweep 目录名以multitrain开头且multitrain_results.json与multitrain_results.png均已生成。输出结构速览一次 RF100 完整评测完成后产物目录结构如下runs/detect/multitrain/ ├── multitrain_results.json # 每数据集指标 跨数据集均值mean ├── multitrain_results.png # 跨数据集柱状图含均值线 ├── {dataset-A}/ # 每个数据集一个子目录 │ ├── weights/ # best.pt / last.pt │ ├── results.png │ └── ... └── {dataset-B}/ └── ...程序侧也可直接使用model.train()的返回值{dataset: metrics}字典对指标非None的数据集可读取如metrics/mAP50-95(B)、fitness等键值做自定义统计或报表。典型应用场景结合 RF100 的多领域特性研究和工程团队通常用它完成以下工作跨域模型评估衡量检测模型在多领域语境下的整体表现而非单一基准上的单点指标鲁棒性压测在 COCO、VOC 之外的真实场景水下生物、显微细胞、雷达图像等上暴露模型短板架构与优化对比在同一 100 数据集集合上比较不同骨干网络、优化器或训练策略制定领域专项方案根据分领域结果定位薄弱域再针对性地采用迁移学习或领域微调可参考 模型训练技巧。对于 RF100 中样本多样性带来的训练挑战文档也指出可通过数据增强进一步提升训练时的多样性相关实践见 数据增强指南。数据与标注示例RF100 的样本图像来自不同视角与领域航拍与无人机视角的游戏场景、显微下的细胞与颗粒、水下海洋生物、文档中的文本区域与表单元素、雷达/电磁信号的可视化图像等。这种多样性正是其相对传统基准的进步之处——传统基准往往在有限领域内优化单一指标而 RF100 强调多域通用这一更贴近工业落地的能力目标。使用方式与前置条件获取渠道RF100 的元数据与下载链接维护在 Roboflow 官方的 roboflow-100-benchmark 仓库中数据集本体通过 Roboflow 平台按版本下载因此需要准备一个 Roboflow API Key运行环境示例脚本依赖roboflow官方 Python SDK 与 Ultralytics 引擎训练侧使用当前仓库中的 YOLO 系列模型如文档示例中的yolo26n.pt许可说明数据集采用 MIT 许可Ultralytics 引擎本身提供 AGPL-3.0 与 Enterprise 两种许可选项商用集成前请自行确认详见 LICENSE 文件规模提示100 个数据集、22 万余图像全量微调耗时巨大实践中可先用子集如每个领域抽样 23 个数据集验证流程再扩展至全量。延伸阅读与引用更多目标检测数据集african-wildlife、VisDrone、Objects365 等可在 检测数据集索引 浏览全量数据集列表见 数据集总览评测指标口径见 YOLO 性能指标训练与部署选项分别见 训练模式 与 模型部署选项若在研究中使用了 RF100请按作者要求引用原始论文2022arXiv:2211.13523misc{rf100benchmark, Author {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz}, Title {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark}, Year {2022}, Eprint {arXiv:2211.13523} }常见问题Q1什么是 Roboflow 100为什么它对标检测重要RF100 是一个目标检测基准由横跨医疗、航拍、电子游戏等领域的 100 个子数据集构成。它的价值在于提供了跨领域测试模型适应性与鲁棒性的标准化方式突破了传统基准通常局限于单一领域的局限。Q2RF100 覆盖哪些领域共七个领域Aerial7 个数据集卫星/无人机影像、Video Games7 个各类游戏环境物体、Microscopic11 个细胞、颗粒等、Underwater5 个海洋生物、水下物体、Documents8 个文本区域、表单元素、Electromagnetic12 个雷达签名、光谱可视化、Real World50 个日常物体、场景、零售等。Q3为什么要把 data 传成列表而不是逐个数据集单独训练列表形式会触发引擎内置的MultiTrainer流程ultralytics/engine/model.py它保证每次微调都从同一基座权重出发、所有运行归组到统一 sweep 目录、失败数据集自动跳过、并自动产出multitrain_results.json与跨数据集柱状图。若手动逐个调用train()则需要自行保证起点一致并手工聚合指标。Q4某个数据集训练失败会影响整体吗不会。MultiTrainer对每个数据集的失败仅记录错误、把该条指标置为None并继续下一个见 trainer.py 容错分支JSON 中该条目为null柱状图与均值只统计成功项。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考