Minari

统一离线RL数据格式，一键加载参考数据集

Minari 是面向离线强化学习（Offline RL）的数据集标准与工具库。它定义了统一的离线 RL 数据集格式，把不同来源、不同环境产生的轨迹数据（状态、动作、奖励、终止标志等）规范化为可互换的结构，解决了离线 RL 领域数据格式混乱、难以复用和比较的问题。核心能力包括：提供标准化的数据集存储规范；内置一批流行的参考数据集（如 D4RL 风格任务），可直接加载使用；提供 Python API 与 Gymnasium 环境接口对接，方便训练和评估算法；支持数据集创建、校验、版本管理和远程下载。它让研究者能像使用 HuggingFace Datasets 一样方便地获取离线 RL 数据，降低复现和对比成本，是离线 RL 生态中重要的基础设施。

开源 free 数据集

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1774

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类数据集

开发团队Farama-Foundation

所属国家

官网地址https://minari.farama.org

GitHubhttps://github.com/Farama-Foundation/Minari

定价模式free

价格说明开源免费，提供标准数据集格式与工具

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型datasets,gymnasium,offline-rl,reinforcement-learning

GitHub 星标★ 1774

30天Star增速

HF 下载量

上线时间2022-10-06 00:00:00

最近更新2026-09-18 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-21

浏览次数0

使用教程

难度：入门约 10 分钟部署方式：库/依赖 8 步

环境要求

已安装 Python 与 pip，可使用 pip install 命令
源码安装需要已安装 git
安装全部依赖或从源码安装时需要网络连接
下载远程数据集时需要网络连接

安装与启动步骤

1安装 Minari

从 PyPI 安装 Minari，仅包含最小必需依赖；其他依赖会按使用场景提示安装。
```
pip install minari
```
2安装全部依赖

一次性安装所有可选依赖，适合不想逐个补装依赖的用户。
```
pip install "minari[all]"
```
3源码方式安装

适合测试或参与贡献：克隆仓库后在项目目录内以可编辑模式安装全部依赖。
```
git clone https://github.com/Farama-Foundation/Minari.git --single-branch
cd Minari
pip install -e ".[all]"
```
4查看远程数据集

列出可下载的远程数据集，确认可用的数据集名称。
```
minari list remote
```
5下载数据集

下载指定数据集到本地，名称需与远程列表中的一致。
```
minari download D4RL/door/human-v2
```
6查看本地数据集

列出已下载到本地的数据集，确认下载是否成功。
```
minari list local
```
7查看数据集详情

展示指定数据集的详细信息，例如数据规模与内容结构。
```
minari show D4RL/door/human-v2
```
8查看全部命令

列出 Minari 命令行支持的全部命令与参数。
```
minari --help
```

如何确认成功

执行 minari --help 能正常输出命令列表，说明安装成功。

常见问题

Q：只安装最小依赖够用吗？

A：可以，pip install minari 是基础安装；若运行时提示缺少依赖，可改用 pip install "minari[all]" 一次装全。

Q：如何查看有哪些可下载的数据集？

A：运行 minari list remote 查看远程数据集列表，再用 minari download 数据集名下载指定数据集。

Q：想参与开发或测试怎么安装？

A：克隆仓库后进入 Minari 目录，执行 pip install -e ".[all]" 以可编辑模式安装全部依赖。

Q：忘记命令用法怎么办？

A：执行 minari --help 查看全部命令；项目文档见 https://minari.farama.org 。

注意事项

minari[all] 会安装全部可选依赖，安装体积和时间更大。
下载远程数据集需要联网，数据集名称须与远程列表一致。
更多文档与用法见官网 https://minari.farama.org 。

核心亮点

提供统一的数据集规范，解决离线RL数据格式碎片化问题
内置多个流行参考数据集，可直接下载使用，省去预处理
与 Gymnasium 接口兼容，方便接入现有离线RL训练流程

不足之处

生态和数据集覆盖仍在成长，部分小众环境数据缺失
文档和社区规模相对有限，遇到问题排查成本较高

适用场景

离线强化学习算法研究与对比实验
复现D4RL等基准任务时快速获取标准化数据
构建和分享自定义离线RL数据集供社区使用

替代项目

D4RL、RL Unplugged

项目介绍

Minari 是数据集领域的开源项目，由 Farama-Foundation 开发，2022 年首次发布。

在全站 12,822 个收录项目中，它的 GitHub 星标数（1,774）位列前 30%，在数据集分类中处于中上游。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-18。开源免费，提供标准数据集格式与工具。从国内网络环境看，可直接访问。

它主要面向的使用场景是：离线强化学习算法研究与对比实验。同类可对比的替代方案包括 D4RL、RL Unplugged。

上一篇：wildlife-datasets

下一篇：synergy-dataset