يُقدّم التدريب عبر مجموعات بيانات متعددة حلاً عمليًا لاستغلال مجموعات بيانات كبيرة ومتنوعة دون تكاليف إضافية للتصنيف. في هذا العمل، نقترح كاشفًا قابلاً للتوسع عبر مجموعات بيانات متعددة (ScaleDet) قادرًا على توسيع قدرته على التعميم عبر مجموعات البيانات عند زيادة عدد مجموعات البيانات المستخدمة في التدريب. على عكس المتعلمين الحاليين عبر مجموعات بيانات متعددة الذين يعتمدون في الغالب على جهود إعادة التصنيف اليدوية أو على عمليات تحسين معقدة لتوحيد التصنيفات عبر مجموعات البيانات، نقدّم صيغة بسيطة ولكنها قابلة للتوسع لاستخلاص فضاء تسميات شمولية ذات معنى لتدريب مجموعات بيانات متعددة. يتم تدريب ScaleDet من خلال محاذاة البصريات والنصية لتعلم تعيين التصنيفات بناءً على تشابه معاني التصنيفات عبر مجموعات البيانات. بعد الانتهاء من التدريب، يمكن لـ ScaleDet التعميم بكفاءة على أي مجموعة بيانات أولية وثانوية محددة، سواء كانت تحتوي على فئات مُدرَّسة أو غير مُدرَّسة. قمنا بإجراء تجارب واسعة باستخدام مجموعات بيانات LVIS وCOCO وObjects365 وOpenImages كمجموعات بيانات أولية، و13 مجموعة بيانات من مشروع الكشف عن الكائنات في البيئة الطبيعية (ODinW) كمجموعات بيانات ثانوية. أظهرت نتائجنا أن ScaleDet يحقق أداءً نموذجيًا قويًا، مع تحقيق متوسط دقة التصنيف (mAP) البالغ 50.7 على LVIS، و58.8 على COCO، و46.8 على Objects365، و76.2 على OpenImages، و71.8 على ODinW، متفوّقًا على أحدث الكاشفات ذات نفس الهيكل الأساسي.