数据集¶

数据集是 Forge 一切工作流的起点。数据集是版本化容器：每次上传、每次标注导出都会生成一个新的不可变版本；训练、优化、评估任务都引用某个确切版本。这正是模型可复现的原因。

数据集格式¶

按模型族系选择格式：

格式	用于	内容
COCO	CV 检测 / 分割	图片 + COCO `annotations.json`
TXT	CV 检测训练	图片 + 每图一个归一化检测框 `.txt` 标签 + 清单 YAML
ImageNet	图像分类	按类别目录布局
LLM-SFT	LLM / VLM 微调	sharegpt 风格 JSONL 语料；VLM 数据集另带 `images/` 文件夹
JSONL	文本语料	每行一个样本（纯文本、`{text}`、`{data}` 或 sharegpt 对话）

llm-sft 与 imagenet 版本可直接被训练选择。原始 COCO 上传会自动转换给训练器使用（生成清单 YAML）；标注导出的 TXT 标签完全无需转换。

一行 sharegpt 如下，可直接喂给 LLM/VLM 训练器：

{"conversations": [{"from": "human", "value": "Describe this image."},
                   {"from": "gpt", "value": "A blue circle on a red background."}]}

创建与上传¶

在数据集页创建数据集，填写名称、描述并选择格式。
上传单张图片或 ZIP 压缩包。图片可在压缩包根目录或 images/ 子目录。
压缩包异步解压入库——在版本列表中查看进度。每次成功入库成为一个保留的新版本。
预置语料（例如已放到对象存储的 LLM-SFT JSONL 加 images/ 目录）可直接按 S3 前缀注册，无需浏览器上传。

接受的图片类型为 jpg / jpeg / png。大块字节进入 S3 兼容对象存储；工作台与训练器拿到的是短时预签名 URL，而不是文件副本。

版本规则¶

每次上传递增一个版本；旧版本保留且仍可选择。版本不可修改。
标注导出（视觉为 COCO/TXT，文本为 JSONL）本身也是一个新数据集版本，因此模型总能回溯到它学习的确切标签。
创建任务时在版本之间切换；流水线其余部分不变。
版本记录文件数（图片与标注文件）、格式、大小与来源（上传、导出、S3 对账）。

版本如何喂给工厂¶

上传图片 ──► v1（原始）
标注 + 导出 ──► v2（TXT / JSONL，可训练）──► 训练
新现场图片 ──► v3 ──► 补标缺口 ──► v4 ──► 重训

常见问题¶

如何准备带标签的训练数据？

在标注工作台完成标注后点击导出。视觉项目导出 COCO/TXT；文本分类导出纯 JSONL；生成/对话项目导出 sharegpt JSONL。导出物成为新数据集版本，训练页可立即选择。

版本号怎么递增？

每次完成上传或导出自动递增一次，不能覆盖某个版本。

一个数据集能同时放图片和文字吗？

VLM 语料正是如此：llm-sft JSONL 引用配套 images/ 目录里的文件。纯视觉用 COCO/TXT/ImageNet；纯文本用无图片的 JSONL/LLM-SFT。

下一步¶

在标注页给数据打标签，或
直接拿可训练版本发起训练。
想先配置预标注？见 ML Backend。