diff --git a/README.md b/README.md
index 9d6dc4f..08863c9 100644
--- a/README.md
+++ b/README.md
@@ -14,8 +14,8 @@ conda activate yolo
 # 2. 安装 PyTorch (CUDA 12.4)
 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
 
-# 3. 安装 Ultralytics
-pip install ultralytics
+# 3. 安装 Ultralytics 和 常用工具
+pip install ultralytics tqdm opencv-python pyyaml
 
 # 4. 其它依赖
 pip install opencv-python matplotlib albumentations
@@ -29,36 +29,43 @@ watch -n 1 nvidia-smi
 
 ---
 
-## 2. 数据集 (V2 大规模合并版)
+## 2. 数据集 (V2 大规模合并版 - 22 类)
 
 ### 2.1 数据集组成
 
-我们合并了多个来源的高质量分割数据集，总数据量约 **12,400 张**：
+我们合并了多个来源的高质量分割数据集，数据源经过精心清洗和重映射：
 
 | 数据集来源 | 描述 | 作用 |
 |------|------|------|
-| **MIT Indoor** | 室内场景分类 | 提供丰富背景和基础物体 |
-| **Indoor Blind** | 早期筛选的导盲数据 | 基础核心数据 |
-| **Stair Seg** | 楼梯分割 | 增强对楼梯的识别 (Map to `stairs`) |
+| **MIT Indoor** | 室内场景分类 | 核心补充：提供 `appliance`, `tableware`, `furniture` 等日常物品 |
+| **Indoor Blind** | 早期筛选的导盲数据 | 基础核心数据 (Walkable areas) |
+| **Washroom** | 卫浴分割 | 覆盖 `toilet`, `sink` 等卫生间关键设施 |
+| **Spoon Fork Chopstick**| 餐具特写 | 极大增强 `tableware` 中细小餐具的识别 (筷子/勺子/叉子) |
+| **Stair Seg** | 楼梯分割 | 增强对楼梯的识别 |
 | **Stair Chair Couch**| 楼梯/椅子分割 | 补充高质量椅子与楼梯数据 |
-| **Estima AI** | 室内房间分割 | 映射为 **`floor`**，极大增强可行走区域识别 |
 
-### 2.2 类别定义 (20 类)
+**已移除**:
+- **Estima AI**: 因全部为平面设计图而非实景图，已移除。
 
-统一后的 20 个导盲核心类别：
+### 2.2 类别定义 (22 类)
 
-| ID | 类别 | 说明 | ID | 类别 | 说明 |
+统一后的 22 个导盲核心类别：
+
+| ID | 类别 | 中文 | ID | 类别 | 中文 |
 |----|------|------|----|------|------|
-| 0 | `floor` | 可行走地面 | 10 | `stairs` | 楼梯 |
-| 1 | `corridor` | 走廊/通道 | 11 | `wall` | 墙壁 |
-| 2 | `sidewalk` | 人行道 | 12 | `window` | 窗户 |
-| 3 | `chair` | 椅子 | 13 | `cabinet` | 柜子 |
-| 4 | `table` | 桌子 | 14 | `trash_can`| 垃圾桶 |
-| 5 | `sofa_bed` | 沙发/床 | 15 | `person` | 行人 |
-| 6 | `door` | 门 | 16 | `cup_bottle`| 杯子/瓶子 |
-| 7 | `elevator` | 电梯 | 17 | `bag` | 包 |
-| 8 | `plant` | 植物 | 18 | `electronics`| 电子电器 |
-| 9 | `clock` | 时钟/挂钟 | 19 | `obstacle` | 通用障碍物 |
+| 0 | `floor` | 地面 | 11 | `wall` | 墙壁 |
+| 1 | `corridor` | 走廊 | 12 | `window` | 窗户 |
+| 2 | `sidewalk` | 人行道 | 13 | `cabinet` | 柜子 |
+| 3 | `chair` | 椅子 | 14 | `trash_can`| 垃圾桶 |
+| 4 | `table` | 桌子 | 15 | `person` | 行人 |
+| 5 | `sofa_bed` | 沙发/床 | 16 | `bag` | 包/背包 |
+| 6 | `door` | 门 | 17 | `electronics`| 电子电器 |
+| 7 | `elevator` | 电梯 | 18 | `plant` | 植物 |
+| 8 | `stairs` | 楼梯 | 19 | `obstacle` | 通用障碍 |
+| 9 | `appliance` | 家电 | 20 | `toilet` | 卫生间/马桶 |
+| 10 | `sink` | 洗手台 | 21 | `tableware` | 餐具/物品 |
+
+> **注**: `tableware` (ID 21) 包含杯子、碗、盘子、勺子、筷子、瓶子等。
 
 ### 2.3 目录结构 (服务器端)
 
@@ -68,15 +75,12 @@ watch -n 1 nvidia-smi
 /home/rongye/ProgramFiles/Yolo/
 ├── yolo11l-seg.pt                 # 预训练权重 (标准模型)
 ├── train_merged.py                # 🔥 主力训练脚本 (使用合并数据)
-├── train.py                       # 🛡️ 备份训练脚本 (使用旧数据)
 ├── datasets/
-│   ├── blind_guidance_merged/     # 🔥 V2 主力数据集 (12k images)
-│   │   ├── data.yaml              # 配置 (20类)
-│   │   ├── train/
-│   │   ├── valid/
-│   │   └── test/
-│   └── indoor_blind/              # 🛡️ 备份数据集 (1.8k images)
-│       └── data.yaml              # 配置 (14类)
+│   └── blind_guidance_merged/     # 🔥 V2 主力数据集
+│       ├── data.yaml              # 配置 (22类, 路径必须正确)
+│       ├── train/
+│       ├── valid/
+│       └── test/
 └── blind_guide_project/           # 训练日志输出
 ```
 
@@ -86,15 +90,17 @@ watch -n 1 nvidia-smi
 
 ### 3.1 主力配置 `blind_guidance_merged/data.yaml`
 
+**关键点**：`path` 必须是服务器上的绝对路径。
+
 ```yaml
-# 路径必须为绝对路径
+# 路径必须为服务器绝对路径
 path: /home/rongye/ProgramFiles/Yolo/datasets/blind_guidance_merged
 train: train/images
 val: valid/images
 test: test/images
 
-nc: 20
-names: [floor, corridor, sidewalk, chair, table, sofa_bed, door, elevator, stairs, wall, window, cabinet, trash_can, person, cup_bottle, bag, electronics, plant, clock, obstacle]
+nc: 22
+names: [floor, corridor, sidewalk, chair, table, sofa_bed, door, elevator, stairs, wall, window, cabinet, trash_can, person, bag, electronics, plant, obstacle, appliance, toilet, sink, tableware]
 ```
 
 ### 3.2 训练脚本 `train_merged.py`
@@ -117,40 +123,34 @@ results = model.train(
     optimizer="AdamW",    # 优化器
     close_mosaic=15,      # 最后15轮关闭增强
     project="blind_guide_project",
-    name="yolo11l_blind_v2" # V2 版本
+    name="yolo11l_blind_v2", # V2 版本
+    amp=False             # ⚠️ 关键：必须关闭混合精度以防止 Loss NaN/Inf
 )
 ```
 
+> **注意**: 如果训练出现 `Loss NaN/Inf`，请确保设置 `amp=False`。混合精度虽然省显存，但在某些特定数据集分布下会导致梯度溢出。
+
 ---
 
-## 4. 开始训练
+## 4. 开始训练流程
 
 ### 步骤 1: 上传数据
 将本地生成的 `blind_guidance_merged` 文件夹完整上传到服务器 `/home/rongye/ProgramFiles/Yolo/datasets/` 目录。
 
+> **⚠️ 特别提醒**: 上传后，请务必检查服务器上的 `data.yaml` 中的 `path` 字段是否为 `/home/rongye/ProgramFiles/Yolo/datasets/blind_guidance_merged`。如果还是 Windows 路径，请手动修改或上传正确的版本。
+
 ### 步骤 2: 运行训练
 ```bash
-conda activate yolo
 cd /home/rongye/ProgramFiles/Yolo
 python train_merged.py
 ```
 
 ### 步骤 3: 监控
-使用 `watch -n 1 nvidia-smi` 查看显存占用，确保训练正常开始。
+使用 `watch -n 1 nvidia-smi` 查看显存占用。
 
 ---
 
-## 5. 备份方案 (旧数据)
-
-如果需要回退到旧版本训练（仅 14 类，数据量较小）：
-
-1.  使用备份脚本：`train.py`
-2.  数据路径：`/home/rongye/ProgramFiles/Yolo/datasets/indoor_blind/data.yaml`
-3.  运行：`python train.py`
-
----
-
-## 6. 模型导出 (TensorRT)
+## 5. 模型导出 (TensorRT)
 
 训练完成后 (V2)，最佳模型位于 `blind_guide_project/yolo11l_blind_v2/weights/best.pt`。
 
@@ -158,6 +158,7 @@ python train_merged.py
 ```python
 from ultralytics import YOLO
 model = YOLO("blind_guide_project/yolo11l_blind_v2/weights/best.pt")
+# 导出为 TensorRT engine, 半精度 fp16, 动态尺寸固定为 480 (或 640 根据推理端需求)
 model.export(format="engine", imgsz=480, half=True, device=0)
 ```
-
+目标文件名：`yolo11l-seg-indoor.engine` (导出后重命名)
diff --git a/datasets/blind_guidance_merged/data.yaml b/datasets/blind_guidance_merged/data.yaml
index a997ea4..aceb710 100644
--- a/datasets/blind_guidance_merged/data.yaml
+++ b/datasets/blind_guidance_merged/data.yaml
@@ -13,13 +13,15 @@ names:
 - cabinet
 - trash_can
 - person
-- cup_bottle
 - bag
 - electronics
 - plant
-- clock
 - obstacle
-nc: 20
+- appliance
+- toilet
+- sink
+- tableware
+nc: 22
 path: /home/rongye/ProgramFiles/Yolo/datasets/blind_guidance_merged
 test: test/images
 train: train/images