从训练到部署：香橙派atlas310 YOLOv11 实现 SAR 船舶高效分割全流程实操指南

从训练到部署：YOLOv11 实现 SAR 船舶高效分割全流程实操指南

从训练到部署：香橙派玩转YOLOv11实现SAR船舶高效分割（全流程实操指南）

SAR（合成孔径雷达）凭借全天时、全天候的成像优势，在海洋船舶监测、海上搜救、航运管理等领域具有不可替代的价值。而船舶分割作为SAR影像解译的核心任务，传统方法不仅精度有限，还难以在低成本嵌入式设备上落地。

今天，我们就来解锁一个实用方案：基于YOLOv11实现SAR船舶分割，并完整部署到香橙派嵌入式设备 ，从数据预处理、模型训练、格式转换到最终端侧推理，全程干货可落地，让低成本嵌入式设备也能胜任高精度SAR船舶分割任务。

一、数据预处理：SAR船舶分割的基础前提

数据是模型训练的"粮食"，尤其SAR影像存在相干斑噪声、目标与背景对比度低、船舶形态多样等特点，高质量的数据预处理直接决定后续模型训练的效果。本部分将完成从数据集准备到YOLOv11格式适配的全流程。

1. 数据集获取与筛选

首先我们需要获取SAR船舶相关数据集，推荐两类可选方案：

• 公开数据集：优先选择带有分割标注的数据集，如 SAR Ship Detection Dataset (SSDD) （包含大量近岸/远海SAR船舶影像）、Airbus Ship Detection Challenge（可提取分割标注）；若暂无现成分割标注，可选用检测数据集并通过LabelMe补充分割标注。

• 自定义数据集：若有自有SAR影像，需筛选无模糊、无遮挡、船舶目标清晰的样本，剔除无船舶、标注不全的无效数据。

数据筛选原则：建议最终整理至少500张有效样本，按「训练集:验证集:测试集=7:2:1」的比例划分，保证训练的泛化性和验证的有效性。

2. 规范YOLOv11 Seg数据目录结构

YOLOv11的分割任务（Segmentation）要求固定的目录结构，否则模型无法正确识别影像和标注，目录结构如下（命名为sar_ship_dataset）：

sar_ship_dataset/
├── images/          # 存放所有SAR影像
│   ├── train/       # 训练集影像（.png/.jpg/.tif，SAR影像优先保留tif格式）
│   ├── val/         # 验证集影像
│   └── test/        # 测试集影像
└── labels/          # 存放对应分割标注文件（与影像一一对应，同名.txt格式）
    ├── train/
    ├── val/
    └── test/

3. 标注格式转换（转为YOLOv11 Seg格式）

YOLOv11 Seg的标注格式有严格要求，每个.txt标注文件的每行格式为：

class_id x1 y1 x2 y2 ... xn yn

• 说明：class_id为类别编号（船舶任务统一为0，从0开始计数）；x1 y1...xn yn为船舶目标的轮廓点集，且所有坐标均为归一化后的相对坐标（即像素坐标/影像宽、像素坐标/影像高，范围0-1），点集需按轮廓顺时针/逆时针有序排列。

格式转换实操（以LabelMe标注.json为例）

若使用LabelMe完成分割标注，会生成.json文件，可通过以下Python脚本批量转换为YOLOv11 Seg格式：

代码下载：

https://download.csdn.net/download/xiesibo2012/92565194

4. SAR影像专属预处理与增强

针对SAR影像的特点，需进行针对性预处理和增强，提升模型泛化性：

1. 离线预处理（提前执行）

   • 去相干斑噪声：使用Lee滤波、Frost滤波消除SAR影像固有噪声，基于OpenCV实现简易Lee滤波：

     import cv2
     import numpy as np
     
     def lee_filter(img, window_size=3, sigma=0.1):
         img = img.astype(np.float32)
         # 计算窗口内均值和方差
         mean = cv2.blur(img, (window_size, window_size))
         mean_sq = cv2.blur(img**2, (window_size, window_size))
         var = mean_sq - mean**2
         
         # Lee滤波公式
         weight = var / (var + sigma**2)
         filtered = mean + weight * (img - mean)
         return filtered.astype(np.uint8)

   • 归一化：将SAR影像像素值缩放到0-1之间，消除亮度差异影响。

   • 统一尺寸：将所有影像统一为640×640（适配YOLOv11默认输入，也可根据香橙派性能调整为416×416）。

2. 在线增强（YOLOv11自带，训练时开启）

无需手动编写代码，训练时通过参数配置即可，适合SAR影像的增强方式包括：

• 随机水平/垂直翻转（避免船舶方向偏差）

• 随机缩放（0.5-1.5倍，适配不同大小船舶）

• 马赛克增强（提升小目标鲁棒性）

• 高斯噪声添加（模拟SAR噪声，进一步提升泛化性）

5. 编写数据集配置yaml文件

最后，编写YOLOv11识别的数据集配置文件（命名为sar_ship.yaml），内容如下：

# 数据集路径（相对路径/绝对路径均可，推荐绝对路径避免报错）
path: /home/xxx/sar_ship_dataset  # 数据集根目录
train: images/train  # 训练集影像路径（相对于path）
val: images/val      # 验证集影像路径
test: images/test    # 测试集影像路径（可选）

# 类别配置
nc: 1  # 类别数量（船舶任务仅1类）
names: ['ship']  # 类别名称（与标注中的class_id对应）

二、模型训练：基于YOLOv11的SAR船舶分割训练

YOLOv11作为最新一代YOLO系列模型，在分割任务上兼具高精度、高速度、轻量化 三大优势，且提供了官方ultralytics库，极大简化了训练流程。注意：香橙派性能有限，优先在PC端完成模型训练，再部署到香橙派。

1. PC端训练环境准备

• 硬件要求：建议NVIDIA显卡（≥GTX 1060，支持CUDA加速），内存≥16G（保证批次训练流畅）。

• 软件环境：

  1. Python 3.8-3.11（兼容性最佳）

  2. 核心库：ultralytics（YOLOv11官方实现）

  3. 可选加速：CUDA Toolkit 11.8/12.1 + cuDNN（提升训练速度）

• 环境安装命令：

  # 安装ultralytics核心库
  pip install ultralytics
  
  # 验证安装（查看YOLOv11版本）
  yolo check

2. YOLOv11 Seg模型选型

YOLOv11提供了5种规模的分割模型，针对香橙派嵌入式场景，选型优先级如下：

模型名称	特点	适用场景
yolov11n-seg	最小体积、最快速度、精度稍低	香橙派（优先选择，平衡速度与精度）
yolov11s-seg	体积较小、速度较快、精度适中	香橙派5/5 Plus（性能较强时）
yolov11m/l/x-seg	体积大、精度高、速度慢	PC端验证，不推荐嵌入式部署
本文优先选择yolov11n-seg（预训练模型官方已提供，无需从头训练）。

3. 开始训练（两种方式可选，全程可落地）

YOLOv11支持命令行和Python脚本两种训练方式，按需选择即可。

方式1：命令行训练（简洁高效）

yolo segment train \
  data=sar_ship.yaml \
  model=yolov11n-seg.pt \
  epochs=100 \
  batch=16 \
  imgsz=640 \
  device=0 \
  patience=20 \
  save=True \
  project=sar_ship_train \
  name=exp1

参数说明：

• data：数据集yaml文件路径

• model：预训练模型路径（官方会自动下载缺失的预训练模型）

• epochs：训练轮数（100轮足够满足SAR船舶任务）

• batch：批次大小（根据显卡显存调整，显存不足可改为8）

• imgsz：输入影像尺寸（与预处理统一，640×640）

• device：训练设备（0为第一张NVIDIA显卡，CPU训练填cpu）

• patience：早停耐心值（20轮验证集精度无提升则停止训练，避免过拟合）

• project/name：训练结果保存路径

方式2：Python脚本训练（灵活可扩展）

from ultralytics import YOLO

# 加载YOLOv11n-seg预训练模型
model = YOLO('yolov11n-seg.pt')

# 开始训练
results = model.train(
    data='sar_ship.yaml',
    epochs=100,
    batch=16,
    imgsz=640,
    device=0,
    patience=20,
    save=True,
    project='sar_ship_train',
    name='exp1'
)

# 查看训练结果（可选）
print("训练完成，关键指标：", results.metrics)

4. 训练结果分析与模型保存

训练完成后，在sar_ship_train/exp1/weights目录下会生成两个核心模型文件：

• best.pt：验证集效果最优的模型（后续优先使用该模型进行转换和部署）

• last.pt：最后一轮训练的模型（精度通常不如<best.pt>）

同时，目录下会生成results.png，包含核心指标曲线（mAP50、mAP50-95、IoU、像素精度），判断训练效果的标准：

• 曲线平稳上升，无明显震荡（说明训练稳定）

• mAP50≥0.9、IoU≥0.85（SAR船舶任务达标，可满足实际需求）

• 无过拟合（验证集指标与训练集指标差距不大）
  

三、模型转换：从PC端.pt到香橙派友好格式

香橙派作为嵌入式设备，硬件资源有限（CPU性能弱、无高端显卡），直接运行PyTorch原生的.pt模型存在两个问题：一是依赖PyTorch环境，部署繁琐；二是推理速度慢，无法满足实时性要求。

因此，需要将.pt模型转换为嵌入式友好的ONNX格式（通用性强、体积小、推理速度快，支持ONNX Runtime推理框架），若香橙派搭载NVIDIA显卡，还可进一步转换为TensorRT格式，加速效果更优。

1. 模型转换的核心必要性

1. 脱离PyTorch环境：ONNX格式无需安装庞大的PyTorch库，减少香橙派环境部署成本。

2. 减小模型体积：通过简化优化，ONNX模型体积通常比.pt模型小30%-50%。

3. 提升推理速度：ONNX针对嵌入式设备做了优化，推理速度比原生.pt模型快2-3倍。

2. 转换为ONNX格式（PC端完成）

使用ultralytics库可一键完成转换，无需手动编写复杂代码，两种方式可选：

方式1：命令行转换

yolo export \
  model=sar_ship_train/exp1/weights/best.pt \
  format=onnx \
  imgsz=640 \
  simplify=True

参数说明：

• format=onnx：指定转换格式为ONNX

• simplify=True：简化ONNX模型，去除冗余层，减小体积并提升推理速度

• imgsz=640：保持与训练一致的输入尺寸，避免推理误差

方式2：Python脚本转换

代码下载：

https://download.csdn.net/download/xiesibo2012/92565195

3. 验证ONNX模型有效性

转换完成后，在best.pt同目录下会生成best.onnx文件，可通过onnxruntime库验证模型是否有效：

import onnxruntime as ort
import numpy as np
import cv2

# 加载ONNX模型
ort_session = ort.InferenceSession('best.onnx')

# 准备测试输入（640×640×3，归一化到0-1）
test_img = cv2.imread('sar_ship_dataset/images/test/ship_001.jpg')
test_img = cv2.resize(test_img, (640, 640))
test_img = test_img / 255.0
test_img = np.transpose(test_img, (2, 0, 1))  # 转换为CHW格式
test_img = np.expand_dims(test_img, axis=0)  # 添加批次维度
test_img = test_img.astype(np.float32)

# 执行推理（获取输出）
outputs = ort_session.run(None, {ort_session.get_inputs()[0].name: test_img})

# 验证输出是否正常
print("ONNX模型输出形状：", [out.shape for out in outputs])

若能正常输出形状，说明ONNX模型转换有效，无格式错误，可迁移到香橙派进行部署。

4. 可选优化：模型量化（进一步提升香橙派推理速度）

为了让模型更适配香橙派，可将ONNX模型从FP32精度量化为FP16（半精度）或INT8（8位整数），进一步减小体积、提升推理速度：

• FP16量化：体积减小50%，速度提升约1倍，精度损失极小（推荐）。

• INT8量化：体积减小75%，速度提升约2倍，需提供校准集，精度略有损失。

量化工具可使用onnxruntime.quantization，此处不再展开，核心思路是通过量化工具对best.onnx进行优化，生成量化后的ONNX模型。

四、香橙派端：模型推理与SAR船舶分割落地

完成模型转换后，接下来就是香橙派端的部署与推理，全程围绕"轻量化、高效率"展开，确保在低成本嵌入式设备上实现实时分割。

1. 香橙派前期准备

（1）硬件选型

推荐两款高性价比型号，满足不同需求：

• 入门级：香橙派4B（四核CPU，4G内存，足够运行yolov11n-seg ONNX模型）。

• 高性能：香橙派5/5 Plus（八核RK3588 CPU，支持NPU加速，推理速度更快，可运行yolov11s-seg）。

（2）系统安装

安装Ubuntu 22.04 ARM64版本（兼容性好，支持大部分AI库），步骤如下：

1. 下载香橙派对应Ubuntu 22.04 ARM64镜像（官网获取）。

2. 使用BalenaEtcher将镜像烧录到16G以上SD卡。

3. 插入SD卡，启动香橙派，配置网络和用户名密码，更新系统：

   sudo apt update && sudo apt upgrade -y

2. 香橙派推理环境搭建

搭建轻量化推理环境，仅需安装必要依赖，避免占用过多资源：

# 安装Python3和pip3
sudo apt install python3-pip python3-opencv -y

# 安装ONNX Runtime（ARM64版本，轻量化推理框架）
pip3 install onnxruntime numpy

验证环境：运行python3 -c "import onnxruntime, cv2; print('环境搭建成功')"，无报错即说明环境可用。

3. 模型与数据迁移

将PC端转换好的best.onnx模型和测试SAR影像，通过SSH（scp命令）或U盘迁移到香橙派的指定目录（如/home/orangepi/sar_ship_infer/）：

# 从PC端通过scp迁移（替换为自己的香橙派IP和路径）
scp best.onnx orangepi@192.168.1.100:/home/orangepi/sar_ship_infer/

4. 编写香橙派端推理脚本（完整可运行）

编写轻量化推理脚本（sar_ship_infer.py），实现SAR影像读取、预处理、模型推理、结果绘制与保存：

import onnxruntime as ort
import cv2
import numpy as np

class YOLOv11SARShipSeg:
    def __init__(self, onnx_model_path, imgsz=640, class_name='ship'):
        self.imgsz = imgsz
        self.class_name = class_name
        self.class_id = 0
        
        # 加载ONNX模型
        self.ort_session = ort.InferenceSession(onnx_model_path)
        self.input_name = self.ort_session.get_inputs()[0].name
        self.input_shape = self.ort_session.get_inputs()[0].shape
    
    def preprocess(self, img_path):
        """影像预处理（与训练时保持一致）"""
        # 读取SAR影像
        img = cv2.imread(img_path)
        self.original_img = img.copy()
        self.img_h, self.img_w = img.shape[:2]
        
        # 去噪声、调整尺寸
        img = self.lee_filter(img)
        img = cv2.resize(img, (self.imgsz, self.imgsz))
        
        # 归一化、转置（HWC→CHW）、添加批次维度
        img = img / 255.0
        img = np.transpose(img, (2, 0, 1))
        img = np.expand_dims(img, axis=0).astype(np.float32)
        
        return img
    
    def lee_filter(self, img, window_size=3, sigma=0.1):
        """SAR影像去相干斑噪声"""
        img = img.astype(np.float32)
        mean = cv2.blur(img, (window_size, window_size))
        mean_sq = cv2.blur(img**2, (window_size, window_size))
        var = mean_sq - mean**2
        weight = var / (var + sigma**2)
        filtered = mean + weight * (img - mean)
        return filtered.astype(np.uint8)
    
    def infer(self, img_path):
        """执行推理"""
        # 预处理
        input_img = self.preprocess(img_path)
        
        # 模型推理
        outputs = self.ort_session.run(None, {self.input_name: input_img})
        
        return outputs
    
    def postprocess(self, outputs):
        """后处理：解析分割结果，还原到原始影像尺寸"""
        # 解析YOLOv11 Seg输出（简化版，针对单类船舶）
        pred_masks = outputs[1]  # 分割掩码输出
        pred_boxes = outputs[0]  # 边界框输出
        
        # 反归一化，还原到原始影像尺寸
        scale_x = self.img_w / self.imgsz
        scale_y = self.img_h / self.imgsz
        
        return pred_boxes, pred_masks, scale_x, scale_y
    
    def draw_result(self, img_path, save_path='result.jpg'):
        """绘制分割结果并保存"""
        # 推理与后处理
        outputs = self.infer(img_path)
        pred_boxes, pred_masks, scale_x, scale_y = self.postprocess(outputs)
        
        # 绘制分割掩码（简化版，针对单类）
        result_img = self.original_img.copy()
        for mask in pred_masks:
            # 调整掩码尺寸并绘制
            mask = cv2.resize(mask.transpose(1, 2, 0), (self.img_w, self.img_h))
            mask = (mask > 0.5).astype(np.uint8) * 255
            # 绘制彩色掩码（红色，透明度0.5）
            color_mask = np.zeros_like(result_img)
            color_mask[:, :, 2] = mask
            result_img = cv2.addWeighted(result_img, 0.7, color_mask, 0.3, 0)
        
        # 绘制边界框和类别名称
        for box in pred_boxes[0]:
            x1, y1, x2, y2, conf, cls = box
            if cls != self.class_id or conf < 0.5:  # 置信度过滤
                continue
            # 反归一化坐标
            x1, y1 = int(x1 * scale_x), int(y1 * scale_y)
            x2, y2 = int(x2 * scale_x), int(y2 * scale_y)
            # 绘制边界框
            cv2.rectangle(result_img, (x1, y1), (x2, y2), (0, 255, 0), 2)
            # 绘制类别和置信度
            text = f"{self.class_name} {conf:.2f}"
            cv2.putText(result_img, text, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
        
        # 保存结果
        cv2.imwrite(save_path, result_img)
        print(f"推理结果已保存到：{save_path}")
        return result_img

# 实例化并执行推理
if __name__ == "__main__":
    # 替换为自己的模型路径和测试影像路径
    model = YOLOv11SARShipSeg(onnx_model_path='best.onnx', imgsz=640)
    model.draw_result(img_path='test_ship.tif', save_path='sar_ship_result.jpg')

5. 运行推理并查看结果

在香橙派终端运行推理脚本，查看最终效果：

cd /home/orangepi/sar_ship_infer/
python3 sar_ship_infer.py

使用acl推理的代码请后台私信

预期结果

1. 终端输出"推理结果已保存到：sar_ship_result.jpg"。

2. 目录下生成sar_ship_result.jpg，可通过SSH下载到PC端查看，影像中船舶目标被红色掩码分割，绿色边界框标注，附带置信度。

3. 推理速度：香橙派5运行yolov11n-seg ONNX模型（640×640输入），推理速度约10-20 FPS，满足实时性要求；香橙派4B约5-10 FPS，可通过降低输入尺寸（416×416）提升速度。

常见问题排查

• 推理结果异常：检查预处理是否与训练时一致，输入尺寸是否匹配。

• 推理速度过慢：更换更小的yolov11n-seg模型，降低输入尺寸，或进行FP16量化。

• 模型加载失败：检查ONNX模型是否转换有效，香橙派是否安装正确的ARM64版本onnxruntime。

五、总结与展望

本文完整实现了从数据预处理→YOLOv11模型训练→ONNX格式转换→香橙派端推理的SAR船舶分割全流程，核心亮点如下：

1. 针对性强：针对SAR影像特点做了专属预处理，提升模型泛化性。

2. 可落地性高：全程使用轻量化工具，香橙派环境搭建简单，脚本可直接运行。

3. 平衡性能与成本：选用YOLOv11n-seg轻量化模型，在低成本香橙派上实现了高精度、实时性的SAR船舶分割。

后续可进一步优化的方向：

1. 硬件加速：利用香橙派5的NPU，通过RKNN Toolkit将ONNX模型转换为RKNN格式，进一步提升推理速度。

2. 模型优化：使用模型蒸馏，将yolov11x-seg的高精度迁移到yolov11n-seg，平衡精度与速度。

3. 实时流推理：对接SAR影像流，实现实时在线船舶分割与监测。

至此，香橙派玩转YOLOv11实现SAR船舶分割的全流程已完成，希望能为大家的嵌入式AI部署和SAR影像解译提供实用参考！