【YOLO数据集】船舶检测

📥 1、背景

随着全球海洋经济的蓬勃发展与航运业年均 5.7% 的稳定增长，船舶作为海上运输核心载体，其数量与种类持续扩容，对船舶实时检测、识别的精准性与时效性提出了更高要求，该技术已成为保障海上交通安全、海洋资源管理、海岸线安防及军事防御部署的关键支撑。然而传统船舶检测依赖人工目视观察或雷达系统，存在显著瓶颈：复杂海况下光学传感器识别率骤降至 68%，易引发漏检风险；雷达系统处理时延≥3 秒，难以满足实时避障等应急需求，且单套高精度雷达成本超 200 万美元，规模化部署受限。同时，海上船舶在遥感图像中常呈现任意方向排列、密集分布、尺度差异大、轮廓特征模糊等问题，叠加雾天、夜间等低能见度环境的干扰，进一步加剧了检测难度，传统算法难以兼顾检测精度与实时性的平衡。在此背景下，YOLO 系列作为主流的单阶段实时目标检测算法，凭借端到端训练、高帧率处理及持续迭代的性能优势，为船舶检测提供了高效解决方案 ------ 从 YOLOv3 引入特征金字塔网络提升多尺度检测能力，到 YOLOv7、v8 通过结构优化实现精度与速度的突破，其衍生模型已在船舶检测场景中展现出卓越潜力，不仅 mAP@0.5 可达 96.3%、支持 30fps 实时处理，还能通过轻量化设计（模型体积低至 4.3MB）适配边缘计算设备，有效应对复杂海况与低能见度环境的检测挑战。

📌 2、数据集概览

项目	内容
数据集名称	船舶数据集
任务类型	目标检测（Object Detection）
类别	'oreCarrier','passengerShip','containerShip','bulkCargoCarrier','generalCargoShip','fishingBoat'
标注格式	YOLO TXT 格式（`<类别> <中心x> <中心y> <宽度> <高度>`，坐标和尺寸均为相对于图像宽高的归一化值（0-1））
图片总数	7000
标注总数	9221

🗂 3、数据详情

类别ID	类别名称	图片数量	标注数量
0	oreCarrier	2084	2199
1	passengerShip	455	474
2	containerShip	898	901
3	bulkCargoCarrier	1811	1952
4	generalCargoShip	1426	1505
5	fishingBoat	1539	2190
总计	-	7000	9221

✨ 4、效果演示

🧠 5、模型训练

1、安装miniconda

地址： https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

环境变量（根据实际的安装目录配置）：

复制代码

C:\ProgramData\miniconda3 
C:\ProgramData\miniconda3\Scripts 
C:\ProgramData\miniconda3\Library\bin

2、创建虚拟环境

shell 复制代码

conda create -n yolo python==3.8
# 查看现有环境
conda env list
# 激活环境 
conda activate yolo
# 激活失败 （执行该命令后重新进入cmd）
conda init cmd.exe

3、源码下载

https://github.com/ultralytics/ultralytics

（注意：不同版本的yolo在不同tag）

4、训练脚本

python 复制代码

import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.pt')  # 指定YOLO模型对象，并加载指定配置文件中的模型配置  
    # model.load('yolov8s.pt')      #加载预训练的权重文件'yolov8s.pt'，加速训练并提升模型性能  
    model.train(data='ultralytics/cfg/datasets/data36.yaml',  # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息  
                cache=False,  # 是否缓存数据集以加快后续训练速度，False表示不缓存  
                imgsz=640,  # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素  
                epochs=100,  # 设置训练的总轮数为200轮  
                batch=8,  # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片  
                close_mosaic=0,  # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic                workers=16,  # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度  
                patience=300,  # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）  
                device='0',  # 指定使用的设备，'0'表示使用第一块GPU进行训练  
                optimizer='SGD',  # 设置优化器为SGD（随机梯度下降），用于模型参数更新  
                )

5、配置文件 data.yaml

yaml 复制代码

path: E:/data/yoloTrain/data1
train: images/train  # train images
val: images/val # val images
nc: 6
names: ['oreCarrier','passengerShip','containerShip','bulkCargoCarrier','generalCargoShip','fishingBoat']

🛠 6、配套服务

我们提供一站式视觉解决方案，包括：

模型训练与调优指导
部署环境远程配置
定制标注与数据增强
毕业设计/课题辅导
企业项目合作开发

❓ 7、常见问题

Q：标注格式如何转换？

A：提供Python转换脚本，支持YOLO→VOC/COCO，开箱即用：点击下载转换脚本