无人船视角水面目标检测数据集 |无人船 USV 水面目标检测 自主航行 避障 水域监测 目标检测9076期

无人船视角水面目标检测数据集 |无人船 USV 水面目标检测 自主航行 避障 水域监测 目标检测9076期

数据集概述

本数据集专注于无人船(USV)水面视角下的多类别目标检测,服务于自主航行避障、水域环境监测及水上安防。数据由无人船第一视角实拍采集,涵盖14类水上与岸基目标,适配无人船感知系统、水面垃圾巡检及港口监管等应用。

数据集核心信息

数据要素 详细说明
类别 共 14 类(详见下方列表)
数量 7466 张图像
格式 图像为 JPG/PNG(分辨率 1836×3264 );同时提供 YOLO (txt)与 VOC(xml)两种标注格式
数据划分 训练集 5227 张,验证集 1493 张,测试集 746 张
应用价值 1. 自主航行 :支撑USV实时感知水面目标,实现障碍物识别与航行避障。 2. 环境监测 :识别水面垃圾、船只、浮标等,用于水域环保巡查。 3. 水上安防 :水域目标识别,岸边人员、船舶检测预警。 4. 算法研发:为水面场景目标检测、小目标识别等任务提供标准化训练与评测数据。

完整类别列表(共14类)

序号 类别名称 图片数量 标注框数量
0 船 4324 8177
1 桥 1826 2013
2 岩石 696 1540
3 球 652 2609
4 平台 480 614
5 垃圾 461 669
6 船舶 1832 3423
7 桅杆 177 354
8 人 357 695
9 港口 1211 1224
10 动物 50 94
11 浮标 153 167
12 树 72 219
13 草 103 110

数据三要素解析

类别与场景覆盖

  • 数据集定义 14 类水上与岸基目标,覆盖 水上交通 (船、船舶、桅杆、浮标)、基础设施 (桥、平台、港口)、自然要素 (岩石、树、草、动物)及 水面异物 (垃圾、球)与 人员。
  • 类别设置贴近无人船实际航行中可能遭遇的各类目标,具有较强的工程实用性。
  • 部分类别(如"船"与"船舶")语义相近,使用时可考虑合并或确认其区分标准。

数据规模与划分

  • 图像总量约 7466 张,已按 训练集(5227张) 、验证集(1493张) 、测试集(746张) 完成标准化划分,便于模型开发与独立评估。
  • 图像分辨率高达 1836×3264,远距离小目标细节保留完整,有利于提升检测精度。

格式与配套资源

  • 同时提供 YOLO 与 VOC 双格式标注,无需额外转换即可适配不同算法框架。
  • 附赠 YOLOv26 完整训练代码 与 usv_water.yaml 配置文件,用户可直接运行。
  • 训练建议:16G显存及以上显卡;开启马赛克、mixup数据增强,提升水面反光、复杂岸基背景下小目标识别效果;设置早停策略避免过拟合。

知识普及:无人船视觉感知的技术要点

  • 水面反光与波纹:水面反光、波浪纹理易与目标混淆,是水面视觉检测的主要干扰源。数据增强与偏振成像技术可有效缓解。
  • 目标尺度差异大:从远处的浮标到近处的大型船舶,尺度变化剧烈,需采用多尺度特征融合策略。
  • 类别不平衡:部分类别(如动物50张)样本稀少,训练时可采用类别加权损失或过采样策略。
  • 应用闭环:检测结果可直接用于USV的路径规划与避障决策,实现"感知-决策-控制"的自主航行闭环。

快速开始(代码示例)

1. 准备配置文件 (usv_water.yaml)

yaml 复制代码
path: ./usv_water_dataset
train: images/train
val: images/val
test: images/test
nc: 14
names: ['船', '桥', '岩石', '球', '平台', '垃圾', '船舶', '桅杆', 
        '人', '港口', '动物', '浮标', '树', '草']

2. 启动训练

python 复制代码
from ultralytics import YOLO

model = YOLO("yolov26.yaml")
results = model.train(
    data="usv_water.yaml",
    epochs=120,
    imgsz=640,
    batch=8,
    device=0,
    workers=2,
    patience=15,
    augment=True,
    mixup=0.1,
    mosaic=1.0,
    lr0=0.01,
    lrf=0.01,
    weight_decay=0.0005,
    warmup_epochs=3,
    val=True,
    project="usv_water_exp",
    name="yolov26_usv_water_train"
)

标签

无人船 USV 水面目标检测 自主航行 避障 水域监测 目标检测 YOLO格式 深度学习数据集 计算机视觉

相关推荐
谙弆悕博士42 分钟前
从“预测下一个词”到“预测世界下一状态”:世界模型是不是下一个AGI叙事?
人工智能·gpt·深度学习·神经网络·agi·jepa·genie 4
咕泡科技1 小时前
关于机器学习,如何通俗理解全连接层(fully connected layer)?
人工智能·深度学习·机器学习
飞Link1 小时前
俯仰角速度是什么?从飞机抬头低头理解 Pitch Rate 与飞行控制
无人机
电科_银尘17 小时前
【深度学习项目实战·22】灰度图像着色:用小型U-Net学习从灰度到RGB
人工智能·深度学习·学习
猿人谷18 小时前
遗传编程的未来:从进化搜索到自主发现求解方法
人工智能·深度学习·神经网络·ai-native
泓博1 天前
Android仿写苹果缩放窗口
人工智能·gpt·深度学习
在所不辞兄1 天前
【人工智能驱动的电催化研究-07】CSV文件、路径与可追溯记录
人工智能·深度学习·神经网络·机器学习·有限元·电化学·电催化
jay神1 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
电科_银尘2 天前
【深度学习项目实战·33】自定义数据集:把自己的图片接入PyTorch
人工智能·pytorch·深度学习
武子康2 天前
单卡 A6000 跑 Qwen-Drive:怎样留下可比较的第一条基线?
linux·人工智能·深度学习