将业务目标转化为有文档记录、类别均衡且无数据泄漏的数据集，使其适合用于微调 Ultralytics YOLO26；并准确了解数据集尚未就绪时需要修正哪些问题。
将业务目标转化为视觉任务、明确的类别，以及可通过代码运行的验收测试。
编写数据集规范，设定各场景的配额，并参照 Ultralytics 的目标确定数据规模：每个类别至少 1,500 张图像和至少 10,000 个已标注实例，背景图像占比为 0–10%。
在真实部署条件下采集数据，将采集元数据保存在文件名中，并对视频抽样，避免数据集被过量样本淹没。
依据书面指南进行一致标注，通过校准轮次测量一致性，并牢记十种最常见的标注错误。
使用简短的 Python 脚本审计标签、类别均衡情况、重复项和可能漏标的情况。
按组（视频片段、摄像头、日期、地点）划分数据集，使验证分数能反映生产环境，并锁定测试集。
选择符合部署场景的数据增强设置，并在训练批次中验证这些设置。
通过包含八项内容的准备情况检查来决定是否开始训练，并将基线微调结果转化为下一步数据集修正工作的依据。
一页纸的目标和一个会输出 PASS 或 FAIL 的验收测试脚本。
一份包含场景配额、边缘情况和背景样本占比的数据集规范。
一份练习数据集，每个文件名都包含采集元数据，并附有对照配额的覆盖情况报告。
一份经过校准轮次完善的标注指南，并包含测得的一致性分数。
一份质量控制审计和可疑标签审核，附有简短的质量控制记录。
按组整理的训练 / 验证 / 测试文件列表，各数据集划分之间不共享任何视频片段、摄像头或日期。
一份带评分的准备情况检查、一份按类别排序的首次微调结果，以及一份可重复使用的启动清单。
无需机器学习背景：每个概念都会在使用前得到解释。
运行脚本需要 Python 3.10+ 和
pip install ultralytics；所有示例都可以在 CPU 上运行。推荐先学习 计算机视觉基础，了解核心术语。
课程内容
5 个模块 · 10 节课程模块 1
模块 3
模块 4