渔船船只检测数据集 | 船只检测 渔船识别 拖船检测 海事监管 目标检测 YOLO格式 深度学习数据集 计算机视觉9076期

数据集概述

本数据集专注于水面船只目标的视觉检测与分类，服务于海事监管、港口管理及水上交通安全。数据涵盖渔船与拖船两类典型作业船只，适配航道监控、船舶流量统计及非法捕捞预警等应用。

数据集核心信息

数据三要素解析

类别与目标覆盖

• 数据集定义 2 类典型作业船只：渔船（Fishing ship） 与 拖船（Tug boat），分别对应渔业捕捞与拖曳作业两类常见水上活动。
• 两类船只在船体结构、上层建筑及作业特征上存在明显差异，为模型提供了清晰的判别依据。

数据规模与划分

• 图像总量约 1692 张，按 8:1:1 比例规范划分为训练集（1353张）、验证集（169张）与测试集（170张），划分规范。
• 数据规模适中，适合作为船只检测任务的基准数据集或快速验证。
  

格式与结构

• 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
• 同时支持 xml 格式，灵活适配不同算法需求。
• 图像与标签一一对应，数据结构规范，即拿即用。
  

知识普及：水面船只检测的技术要点

• 水面反光与波纹干扰：水面反光、波浪纹理易与船只轮廓混淆，建议在训练中加入对比度增强与噪声模拟。
• 目标尺度差异：渔船与拖船尺寸差异较大，且受拍摄距离影响显著，需采用多尺度训练策略。
• 背景复杂性：港口、海岸、岛屿等背景可能干扰检测，模型需依赖船体结构特征进行区分。
• 天气与光照：雨雾、逆光等条件会影响图像质量，多场景数据覆盖与数据增强有助于提升模型鲁棒性。
• 应用闭环：检测结果可结合AIS数据，用于船舶身份验证与异常行为分析。
  

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 2
names: ['Fishing ship', 'Tug boat']

启动 YOLOv8 训练：

from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(data='data.yaml', epochs=100, imgsz=640, batch=16)

标签

船只检测 渔船识别 拖船检测 海事监管 目标检测 YOLO格式 深度学习数据集 计算机视觉