YOLO26船舶分类识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+远程环境部署）

BQAIT

165人浏览 · 2026-06-25 13:52:01

BQAIT · 2026-06-25 13:52:01 发布

摘要

本文基于YOLO26目标检测算法，构建了一套船舶分类识别检测系统，用于对五类常见船舶（集装箱船、游轮、军舰、滚装船、油轮）进行自动识别与定位。系统在包含3,721张标注图像的数据集上进行训练与评估，其中训练集3,232张，验证集339张，测试集150张。实验结果表明，模型在验证集上的整体mAP50达到0.879，mAP50-95达到0.875，平均精度为0.843，召回率为0.85。各类别中，游轮和军舰的识别效果最佳，mAP50分别为0.941和0.924；油轮的识别效果相对较差，mAP50为0.703。混淆矩阵分析显示，油轮与集装箱船之间存在一定的类别混淆现象。总体而言，本系统具备良好的船舶识别能力，可为海上交通监控、港口管理和军事侦察等应用提供技术支持。

详细功能展示视频

https://www.bilibili.com/video/BV1EHohBZE5B/

引言

随着全球海洋运输和海上活动的日益频繁，船舶的自动识别与监控成为海上安全管理、港口调度、环境保护和国防安全等领域的关键技术需求。传统的船舶识别方法多依赖人工观察或AIS（船舶自动识别系统）信号，存在覆盖范围有限、信号易受干扰、无法识别非合作目标等局限性。基于视觉图像的船舶识别技术，尤其是结合深度学习目标检测算法的方法，能够有效弥补上述不足，实现对各类船舶的自动检测与分类。

YOLO（You Only Look Once）系列算法作为单阶段目标检测的代表性方法，凭借其检测速度快、精度高、易于部署等优势，在工业界和学术界得到了广泛应用。近年来，YOLO算法不断迭代，在船舶检测任务中也展现出优异的性能。然而，船舶类别多样、外形相似、尺度差异大、背景复杂（如海面波浪、光照变化、部分遮挡）等因素，给船舶细粒度分类带来了挑战。

为此，本文基于YOLO26算法构建了一套船舶分类识别检测系统，针对五类常见船舶进行训练与优化。本文将详细介绍系统的背景、数据集构建方法、模型训练过程及结果分析，旨在为船舶智能识别系统的实际部署提供参考。

摘要

详细功能展示视频

https://www.bilibili.com/video/BV1EHohBZE5B/

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 参数实时调节（置信度和IoU阈值）

✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载`best.pt`模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（`detection_result_20240101_120000.jpg`）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

背景

随着全球经济一体化的深入发展，国际贸易总量持续增长，其中约90%的货物通过海上运输完成。与此同时，海上船舶数量急剧增加，航线密度不断提高，港口吞吐量屡创新高。这种发展态势对海上交通管理、港口作业调度、船舶航行安全以及海洋权益保护提出了更高的要求。传统的人工瞭望、雷达监控和AIS信号接收等方式，在面对日益复杂的海上环境时逐渐暴露出响应滞后、信息不全、易受干扰等问题。尤其是在近海、港口、海峡等船舶密集区域，快速准确地识别船舶类型，对于预防碰撞事故、打击走私偷渡、保障航道畅通具有重要意义。

在军事领域，船舶识别同样扮演着不可或缺的角色。现代海战中，能否在第一时间准确识别敌方舰船的类型、型号及其作战能力，直接影响指挥决策和战术部署。非合作目标（如关闭AIS的船舶、伪装船舶）的存在，使得仅依赖电子信号的识别手段显得力不从心。视觉图像识别作为一种被动、无接触的感知方式，能够在敌方无预警的情况下获取关键情报，因此受到各国军方的高度重视。

近年来，深度学习技术，特别是卷积神经网络（CNN）的快速发展，为船舶视觉识别带来了新的契机。目标检测算法从早期的两阶段方法（如Faster R-CNN）演进到单阶段方法（如YOLO、SSD），在检测精度和速度之间取得了更好的平衡。其中，YOLO系列算法因其端到端的检测结构、实时处理能力和良好的迁移学习特性，成为船舶检测任务的热门选择。

数据集介绍

1. 类别定义

本系统共包含5个船舶类别，具体如下：

类别名称	英文名称	说明
集装箱船	Container Ship	甲板上载有成排集装箱的货船
游轮	Cruise Ship	用于载客旅游的大型客船，通常有多层甲板
军舰	Military Ship	包括驱逐舰、护卫舰、航空母舰等军用舰艇
滚装船	RORO	车辆可直接驶入驶出的滚装运输船
油轮	Tanker	运输石油或液化天然气的液货船

2. 数据集划分

数据集总图像数量为 3,721张，按照训练、验证、测试三部分划分：

数据集	图像数量	用途
训练集	3,232张	模型参数学习
验证集	339张	超参数调整与模型选择
测试集	150张	最终性能评估

训练结果

总体性能评价

整体表现良好，模型已达到可用水平。

整体 mAP50 = 0.879，在船舶检测任务中属于不错的成绩
整体 mAP50-95 = 0.875，说明模型在不同IoU阈值下表现稳定
召回率 = 0.85，精度 = 0.843，两者较为均衡

各类别性能分析

类别	mAP50	精度	召回率	评价
Cruise Ship	0.941	0.905	0.889	最佳
RORO	0.930	0.859	0.968	召回率极高
Military Ship	0.924	0.916	0.919	均衡优秀
Container Ship	0.894	0.846	0.828	良好
Tanker	0.703	0.692	0.647	最弱

训练过程分析

从 results.png 可见：

loss曲线平稳下降，无过拟合迹象
mAP50和mAP50-95同步上升，收敛良好

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

用于实例分割的 LabelMe 标注工具