diff --git a/README.md b/README.md
index a9ba194..2838d23 100644
--- a/README.md
+++ b/README.md
@@ -45,7 +45,7 @@ python 05_prepare_ppe_shoe_subset.py --mode roi-source
 2. Open Images 重新下载，并保留 `Person + shoe`
 
 ```bash
-python 01_download_dataset.py --source openimages --mode roi-source --max-samples 8000
+python 01_download_dataset.py --source openimages --mode roi-source --max-samples 100000
 ```
 
 默认输出目录：
@@ -78,7 +78,7 @@ python 09_build_roi_shoe_dataset.py --clean
 
 ```bash
 python 05_prepare_ppe_shoe_subset.py --mode roi-source
-python 01_download_dataset.py --source openimages --mode roi-source --max-samples 8000
+python 01_download_dataset.py --source openimages --mode roi-source --max-samples 100000
 ```
 
 2. 构建 ROI 化训练集
@@ -103,6 +103,60 @@ python 09_build_roi_shoe_dataset.py --clean
 - 新模型会写到新的项目目录，不覆盖之前已有模型
 - 如果 `train_roi` 已存在，Ultralytics 会自动递增运行目录名
 
+## 当前实验结论
+
+截至目前，项目内已经验证了几条比较明确的结论：
+
+- 只看公开验证集 `mAP` 不够，必须同时看真实 `roi-shoes` 业务图的框位置和召回情况
+- 训练输入做成“人体下部脚部 ROI”是正确方向，整体上明显优于早期“鞋子单类紧框”训练
+- 扩大 Open Images 源图数量是有价值的，但必须配合 ROI 质量过滤，否则数据越多，噪声也越多
+- `100k filtered` 这一条线已经比 `20k filtered` 更有潜力，尤其对“大 ROI、细节丰富鞋面”的适应性更好
+
+当前几版模型的经验判断是：
+
+- 旧主力模型：对“小目标、模糊目标、简单轮廓”更稳
+- `100k filtered` 系列：对“大一点、细节更丰富、纹理更复杂”的鞋更好
+- 在 `100k filtered` 的已跑版本里，`100 epochs` 是当前最均衡、最值得继续迭代的一版
+
+## 后续训练方向
+
+后续训练主线建议固定为：
+
+1. 以 `100k filtered` 训练集为基础继续迭代
+2. 以 `100 epochs` 版本权重作为下一轮微调底座
+3. 补充一批真实线上风格的脚部 ROI 标注图，做小规模业务微调
+4. 最终以真实 ROI 评测结果为主，而不是只看公开验证集 `mAP`
+
+推荐优先补充的真实 ROI 图类型：
+
+- 小而模糊、边缘不清、低对比度的鞋
+- 大 ROI、鞋面细节丰富、纹理复杂的鞋
+- 单鞋与双鞋混合出现、地面背景复杂的脚部 ROI
+
+建议的后续流程：
+
+```bash
+# 1. 继续维护 100k filtered 公开 ROI 数据底座
+python 05_prepare_ppe_shoe_subset.py --mode roi-source
+python 01_download_dataset.py --source openimages --mode roi-source --max-samples 100000
+python 09_build_roi_shoe_dataset.py --clean
+
+# 2. 使用 100k filtered 数据训练基础 ROI 模型
+12_train_roi_yolov8s_640.bat
+
+# 3. 在补充真实 ROI 标注后，再做业务微调
+# 建议直接从 100k-100 这一版权重继续训练
+```
+
+当前项目建议保留两套判断标准：
+
+- 公开验证集指标：
+  - 观察 `precision / recall / mAP50 / mAP50-95`
+- 真实业务 ROI 效果：
+  - 看是否漏检
+  - 看检测框是否真正落在鞋区域
+  - 看不同目标类型下的稳定性，而不是只看总平均数
+
 ## 方案：640x640 单模型（部署时用2窗口）
 
 **训练阶段**：