带标注的SDD-SAR遥感船舶识别数据集，识别率92.9%，7000张图，支持yolo，coco json，voc xml,文末有模型训练代码

SDD-SAR遥感船舶识别数据集是一个高质量的开源数据集，包含7000张带标注的遥感图像，专门用于船舶目标检测任务。该数据集在测试集上达到了**92.9%**的识别率，支持YOLO系列（v7-v12、v26）、COCO JSON和PASCAL VOC XML等多种标注格式。文末附有完整的模型训练代码，方便快速上手。

模型训练指标参数：

模型训练图：

数据集拆分

总图数：7000张
训练集：5000张（约71.4%）
验证集：1320张（约18.9%）
测试集：680张（约9.7%）

预处理流程：

自动定向：应用自动方向校正
调整大小：统一拉伸到640×640分辨率

数据增强：无（原始数据集未应用额外增强）

数据集标签：

'ship'

标签说明 ：数据集中仅包含一个类别------ship（船舶），所有标注框均对应遥感图像中的船舶目标。

数据集图片和标注信息示例：

数据集下载：

本数据集提供多种格式下载，支持主流目标检测框架：

YOLO格式：兼容YOLO v7、v8、v9、v11、v12、v26等版本
COCO JSON：标准COCO标注格式
PASCAL VOC XML：经典VOC标注格式

数据集可通过提供的链接或仓库获取，解压后即可使用。

https://download.csdn.net/download/pbymw8iwm/93125335

YOLO模型训练

下载并解压数据集到本地文件夹
获取训练脚本：从项目仓库（https://gitcode.com/pbymw8iwm/YOLOProject）复制训练模型脚本到数据集目录
执行训练 ：根据使用的YOLO版本运行对应脚本，例如使用YOLOv8则执行：
bash 复制代码
```
python train_yolov8.py
```

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前"见识"并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
防止模型过拟合 ：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的"干净"特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
总结：因此，数据集中包含的模糊图片，与你看到的"水平翻转"、"剪切形变"、"随机遮挡"等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

python 复制代码

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"  # 你的图片路径
save_result = True       # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
    source=image_path,
    conf=0.01,          # 置信度阈值（低于该值忽略）
    save=False,         # 关闭默认保存，自定义保存
    verbose=False       # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
    boxes = result.boxes  # 所有检测框
    
    for box in boxes:
        # ========== 提取目标区域（坐标） ==========
        # xyxy: 左上角x, 左上角y, 右下角x, 右下角y
        x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
        # 宽高
        w = x2 - x1
        h = y2 - y1
        
        # ========== 提取标注信息 ==========
        cls_id = int(box.cls[0])          # 类别ID
        cls_name = model.names[cls_id]    # 类别名称
        conf = float(box.conf[0])         # 置信度
        
        # ========== 打印信息 ==========
        print(f"目标 {idx+1}:")
        print(f"  标注类别：{cls_name}")
        print(f"  置信度：{conf:.2f}")
        print(f"  目标区域坐标：")
        print(f"    左上角 ({x1:.1f}, {y1:.1f})")
        print(f"    右下角 ({x2:.1f}, {y2:.1f})")
        print(f"    宽×高：{w:.1f} × {h:.1f}")
        print("-"*30)
        
        # ========== 在图片上绘制检测框 ==========
        cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
        cv2.putText(img, f"{cls_name} {conf:.2f}", 
                    (int(x1), int(y1)-10), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
    cv2.imwrite("yolo_result.jpg", img)
    print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()