codex恢复项目历史备份是一个 Windows 本地工具，下载工具名为 codexbak，主要用于检查、备份、同步和恢复 Codex Desktop 的本地历史记录。工具支持自动检测 .codex 目录、查看当前 provider/model、同步历史数据，并在同步和恢复前自动创建安全备份，适合用于找回项目会话、恢复历史记录和整理本地 Codex 数据。

本文以 Ultralytics 8.3.253 源码版本为基础，重新整理 YOLO11 自定义目标检测数据集训练流程。文章从版本固定、数据采集、标注规范、目录整理、Windows 环境安装、数据集 YAML 配置、CLI 与 Python 两种训练方式、预测验证、结果查看、模型导出和常见问题排查几个角度展开。重点不是介绍 YOLO11 的理论细节，而是让读者能够在自己的电脑上把数据集跑通，并为后续

使用 YOLO11 训练数据集并不难，真正开始修改网络结构后，很多问题却不是一条训练命令能够解释的。例如：模型 YAML 在哪里被解析、自定义模块为什么提示找不到、model.train() 调用了哪个训练器、预测结果又是在哪一步经过 NMS。本篇基于 Ultralytics 8.3.253 源码，从 YOLO() 入口出发，梳理目标检测任务的模型加载、网络构建、数据读取、训练、验证和预测调用链，

本文面向 YOLO11 自定义数据集训练和后续模型改进实验，仍沿用 Ultralytics 8.3.253 作为系列版本。正式改网络之前，先统计数据集中的小目标、中目标、大目标、类别分布和异常标签，可以帮助我们判断问题到底来自数据，还是来自模型结构。

本文基于 Ultralytics 8.3.253 的检测任务输出进行整理，重点讲清楚 YOLO11 训练结果中的 Precision、Recall、mAP50、mAP50-95 分别代表什么，以及如何从 results.csv 中读取它们。本文不讨论虚构精度，所有数值都以自己的训练日志为准。

本文基于 Ultralytics 8.3.253 整理 YOLO11 目标检测训练中的数据增强参数。重点不是把所有增强都打开，而是讲清楚哪些增强只改图片、哪些增强必须同步修改标签，以及不同场景下应该怎样控制增强强度。

本文基于 Ultralytics 8.3.253 和 YOLO11n 进行整理，目的是在正式做注意力、Neck、Backbone、Loss 等改进前，先建立一套可重复对比的训练基线。后续所有改进实验都应该和这套基线在同一数据集、同一训练参数和同一评价方式下比较。

本文从 COCO 风格指标和 TIDE 误差分析两个角度整理排查思路。先说明 mAP50、mAP50-95、Precision、Recall 各自能回答什么问题，再给出 YOLO 标签转 COCO GT、Ultralytics 导出预测 JSON、使用 TIDE 分析错误类型的流程。本文适合后续有真实数据集和验证结果后补充实测分析。