基于深度学习的船舶检测系统演示与介绍
<h2>视频演示</h2><p>基于深度学习的船舶检测系统演示与介绍</p><h2>1. 前言</h2><p>海上场景的<strong>船舶检测</strong>对<strong>海事安全</strong>与<strong>航运管理</strong>具有重要意义。传统方法在复杂海况、密集目标与小目标场景下存在<strong>鲁棒性不足、效率偏低</strong>等问题。近年来，<strong>YOLO</strong>系列单阶段检测器凭借端到端推理与良好实时性，成为船舶检测的主流方案。</p><p>本文实现并评估一套<strong>基于 YOLO 的船舶检测系统</strong>，集成<strong>YOLOv5、YOLOv8、YOLOv11、YOLOv12</strong>，在同一界面实现多模型对比与一键切换；采用<strong>PyQt5</strong>构建桌面应用，支持<strong>图片、视频、文件夹批量、摄像头实时</strong>检测；提供<strong>置信度/IoU</strong>阈值调节、<strong>检测耗时/目标数量</strong>统计、<strong>类别统计与过滤</strong>、结果<strong>表格化展示与导出</strong>；基于<strong>SQLite</strong>完成用户<strong>注册/登录/资料管理</strong>；配套<strong>独立脚本</strong>便于命令行快速推理与训练。数据集规模共计<strong>18074</strong>张图片，覆盖多类别场景，训练输出包含<strong>最佳权重（best.pt）</strong>、<strong>混淆矩阵</strong>、<strong>F1 曲线</strong>等，便于复现与对比分析。</p><p>本研究面向<strong>海事监管、智慧安防、港口调度、科研教学</strong>等场景，兼顾<strong>精度—速度—可用性</strong>，为工程落地与教学演示提供一体化解决方案。</p><h2>2. 项目演示</h2><h3>2.1 <strong>用户登录界面</strong></h3><p>登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。</p><p></p><h3>2.2 <strong>新用户注册</strong></h3><p>注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。</p><p></p><h3>2.3 <strong>主界面布局</strong></h3><p>主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。</p><p></p><h3>2.4 <strong>个人信息管理</strong></h3><p>用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。</p><p></p><h3>2.5 <strong>多模态检测展示</strong></h3><p>系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。</p><p></p><h3>2.6 <strong>多模型切换</strong></h3><p>系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。</p><p></p><h2>3.模型训练核心代码</h2><p>本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。</p><h2># -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"\n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"\n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main() 4. 技术栈</h2><ul><li>语言：Python 3.10</li><li>前端界面：PyQt5</li><li>数据库：SQLite（存储用户信息）</li><li>模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12</li></ul><h2>5. YOLO模型对比与识别效果解析</h2><h3>5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比</h3><p>基于Ultralytics官方COCO数据集训练结果：</p><table style="border: 1px solid #000;"><tbody><tr><td data-row="1">模型</td><td data-row="1"> 尺寸(像素)</td><td data-row="1"> mAPval 50-95</td><td data-row="1"> 速度(CPU ONNX/毫秒)</td><td data-row="1"> 参数(M)</td><td data-row="1"> FLOPs(B)</td></tr><tr><td data-row="2"> YOLO12n</td><td data-row="2">640</td><td data-row="2">40.6</td><td data-row="2">-</td><td data-row="2">2.6</td><td data-row="2">6.5</td></tr><tr><td data-row="3">YOLO11n</td><td data-row="3">640</td><td data-row="3">39.5</td><td data-row="3">56.1 ± 0.8</td><td data-row="3">2.6</td><td data-row="3">6.5</td></tr><tr><td data-row="4">YOLOv8n</td><td data-row="4">640</td><td data-row="4">37.3</td><td data-row="4">80.4</td><td data-row="4">3.2</td><td data-row="4">8.7</td></tr><tr><td data-row="5">YOLOv5nu</td><td data-row="5">640</td><td data-row="5">34.3</td><td data-row="5">73.6</td><td data-row="5">2.6</td><td data-row="5">7.7</td></tr></tbody></table><p><strong>关键结论</strong>：</p><ol><li><strong>精度最高</strong>：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；</li><li><strong>速度最优</strong>：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；</li><li><strong>效率均衡</strong>：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。</li></ol><p><strong>综合推荐</strong>：</p><ul><li>追求高精度：优先选YOLO12n（精度与效率兼顾）；</li><li>需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；</li><li>YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。</li></ul><h3>5.2 数据集分析</h3><p></p><p>数据集中训练集和验证集一共8000多张图片，数据集目标类别为：船舶，数据集配置代码如下：</p><p>names: - ship detection 2 - v1 2023-09-03 10-41am nc: 1 path: D:\project\python\01Finished\yolo_Ship_Detection\train_data test: ../test/images train: ../train/images val: ../valid/images</p><p> </p><p></p><p>上面的图片就是部分样本集训练中经过数据增强后的效果标注。</p><h3>5.3 训练结果</h3><p></p><p>混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高了，图像显示识别精准度非常高。</p><p></p><p>F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。 </p><p>当置信度为0.387时，所有类别的综合F1值达到了0.93（蓝色曲线）。</p><p></p><p>mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。</p><p>图中可以看到综合mAP@0.5达到了0.965（96.5%），准确率非常高。</p><h2>6. 源码获取方式</h2><p>源码获取方式：https://www.bilibili.com/video/BV1GcywBiEJ6</p><p></p><br>来源：程序园用户自行投稿发布，如果侵权，请联系站长删除<br>免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]