3000张船舶检测数据集与YOLO训练实战全解析

去年做港口船舶监测项目的时候，我在数据上整整耗了两周。翻遍了公开数据集，要么是航空俯拍的远海大场景，要么是公园游船特写，真正贴合岸基监控视角的样本少得可怜。后来我把一套3000张的船舶检测数据集按YOLO格式整理干净，跑通了整个训练流程。今天就把这件事从头到尾拆开讲：数据集到底怎么构成的、标注格式有哪些坑、怎么用它把YOLO模型训练出来，以及海事场景下部署前必须想清楚的边界情况。

无论你是刚接触船舶目标检测的学生，还是已经在做海事监控落地的工程师，这份内容都能帮你少走不少弯路。文中的所有步骤我都实际跑过，代码和配置也都是可以直接拿来用的。

1. 海事船舶检测为什么这么缺公开数据集

1.1 通用数据集里的"船"和海事监控里的"船"不是一回事

很多人刚入行时会想：检测船还不简单？COCO数据集里不就有船这个类别吗？真上手后才发现完全不是这么回事。

COCO里的船类实例确实不少，但绝大多数是观光游艇、公园里的脚踏船、码头边停靠的小型帆船，拍摄视角以游客视角和旅游航拍为主，背景是城市海岸线或风景区水面。而海事监测系统的实际输入是岸基固定镜头、船载摄像头、近海无人机等设备拍摄的画面，目标往往只有几十到几百像素，货船、渔船、拖轮在远距离下轮廓模糊，海雾、逆光、浪花又进一步拉低画质。

更麻烦的是类别定义。海事业务里需要区分货船、渔船、客船、拖轮、驳船，这在COCO的单一"boat"类别里根本做不到。我最初的模型把集装箱船识别成"船"，把拖轮也识别成"船"，下游的航迹跟踪和船舶分类逻辑全都乱了。

1.2 缺数据背后的三个现实原因

公开数据集少，不是大家不愿意做，而是做这件事的门槛确实高。

第一是数据敏感。港口航道、锚地、进出港水域的视频数据，涉及安防和运营信息，港口方、海事部门都不会把原始监控录像公开出来，能公开的也大多是做过脱敏的片段。

第二是标注成本高。海事标注需要标注员认识船型。让普通标注员区分"散货船"和"杂货船"，区分"客滚船"和"渡轮"，不培训几天根本做不到。而专业标注的人力成本比通用目标检测高出一大截。

第三是场景单一。现有的一些海洋数据集大多集中在某个固定水域，比如新加坡海域、欧洲某港口，摄像头位置固定，船型分布和国内港口的实际情况差异很大。你拿它在国内沿海港口做验证，泛化效果通常不太理想。

1.3 这份数据集的定位和第一印象

这套3000张的船舶检测数据集，主要覆盖的就是国内沿海港口和近海水域常见的场景：港口靠泊、航道航行、锚地停泊、近岸捕捞混行等。图片来自岸基固定摄像头、近岸无人机和巡航艇船载摄像头，分辨率和视角都更接近真实海事监测系统的输入。

第一眼看完之后我的判断是：它不算大，但胜在贴近实际业务。3000张的量级，配合YOLO的预训练权重，足够把一套检测流程从零跑通，并且能训练出一个在特定场景下有实用价值的模型。相比从COCO里硬抠船类再重新标注，省的时间不是一星半点。

2. 3000张数据的构成拆解：场景、类别与标注口径

2.1 图片来源与分辨率规格

数据集的图片以岸基监控和近岸无人机航拍为主，少量来自船载摄像头。分辨率的分布大致是：

以1920×1080为主的构成比较适合直接用YOLO默认的640×640输入训练。4K图像占的比例不高，但数量足够测试"大图小目标"场景下的检测策略，这部分后面会专门讲。

数据集按train/val/test分成2400张、300张、300张。类别文件为7类船舶，每张图的平均标注实例数约2.8个，也就是说有相当一部分图是单目标或空目标，这对训练模型抑制"无船误报"反而有好处。

2.2 场景分布与天气覆盖

我对场景做了统计，分布大致如下：

天气覆盖方面，晴天约占40%、多云25%、阴天15%、雨雾天15%、夜间5%。雨雾天气和逆光条件的样本虽然不算多，但正好可以检验模型在恶劣环境下的衰减程度。夜间样本最少，这也是海事监测最容易翻车的场景，后面我会单独说。

2.3 船舶类别定义

7个类别的定义如下：

从数据上看，cargo和fishing占了超过一半，这是国内沿海港口的典型构成。tug和sailboat数量相对少，属于类别不平衡的部分。训练时如果要追求各类别均衡的mAP，可以考虑对少样本类别做过采样，不过那会牺牲一部分整体精度，需要取舍。

2.4 目录结构与标注文件组织

数据集的目录结构是标准的YOLO布局：

marine_ship_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── classes.txt └── data.yaml

images和labels目录一一对应，同一张图片文件名去掉后缀后，在labels下能找到同名txt文件。比如images/train/001234.jpg对应labels/train/001234.txt。classes.txt里按行写了7个类别名，顺序与标注文件中的类别ID一致。这个目录组织形式在YOLOv5/v8里都是通用的，省去重新折腾数据加载的时间。

2.5 标注质量口径

整理数据时我发现，标注质量控制比数量更关键。这套数据集在标注时遵循了几个明确的规则：

• 目标像素尺寸低于15×15的实例不标注，这类目标在640输入下实际上已经退化到2-3个像素，训练时反而会引入噪声。
• 遮挡超过80%的目标不标注，只保留完整可见或大部分可见的目标。
• 海面反光强烈导致轮廓难以辨认的目标，原则上不标，避免标注员主观判断带来的不一致。
• 所有标注框均为水平矩形框。部分靠泊船只存在明显倾斜角度，如果要训练旋转框检测（OBB），就需要自行转换格式。

注意：水平框检测在密集靠泊场景会有明显的框重叠问题。如果下游业务需要区分"哪条船靠在哪条泊位"，建议预留OBB旋转框的升级路径。

3. 把标注转成YOLO格式：格式坑与校验方法

3.1 YOLO标注的本质：类别+归一化坐标

拿到原始标注后，最绕不开的一步就是转成YOLO格式。YOLO的txt标注每行对应一个目标，格式是：

class_id x_center y_center width height

其中x_center、y_center是目标框中心点的归一化坐标，范围0~1；width、height是归一化宽高。归一化的意思是除以图片本身的宽和高。

举个例子：一张1920×1080的图片上，某个目标的像素坐标是左上角(400, 300)、右下角(800, 600)。那么：

• 宽 = 800 - 400 = 400
• 高 = 600 - 300 = 300
• 中心点x = 400 + 400/2 = 600
• 中心点y = 300 + 300/2 = 450

归一化后：

• x_center = 600 / 1920 = 0.3125
• y_center = 450 / 1080 = 0.4167
• width = 400 / 1920 = 0.2083
• height = 300 / 1080 = 0.2778

对应的标注行是：

0 0.3125 0.4167 0.2083 0.2778

这个计算看起来简单，但数据规模一上去，手算显然不现实，必须写脚本批量处理。

3.2 批量转换脚本的编写思路

我用Python写过一个VOC XML转YOLO格式的脚本，核心逻辑是解析XML里的bndbox四个点坐标，然后做归一化。代码如下：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, img_w, img_h, class_map): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall('object'): name = obj.find('name').text if name not in class_map: continue box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) w = x2 - x1 h = y2 - y1 if w <= 0 or h <= 0: continue cx = (x1 + x2) / 2.0 cy = (y1 + y2) / 2.0 cx_norm = max(0.0, min(1.0, cx / img_w)) cy_norm = max(0.0, min(1.0, cy / img_h)) w_norm = max(0.0, min(1.0, w / img_w)) h_norm = max(0.0, min(1.0, h / img_h)) lines.append( f"{class_map[name]} {cx_norm:.6f} {cy_norm:.6f} {w_norm:.6f} {h_norm:.6f}" ) return lines

这里有一个关键点：归一化结果要做clip，限制在[0,1]范围内。因为部分标注框边缘紧贴图像边界，四舍五入后可能会变成1.000001这种越界的值，训练时YOLO会直接报"box out of bounds"错误。

如果你拿到的原始标注不是VOC XML而是COCO的JSON，转换思路是类似的：COCO的bbox字段本身就是[x, y, width, height]，只是不需要再计算宽高，直接归一化即可。如果是多边形分割标注（segmentation），则需要先计算所有顶点的最小外接矩形，再输出水平框。

3.3 转换后的三道质量检查

转完格式不算完。我的习惯是转换后过三关检查，这套流程救过我很多次：

第一关是脚本检查。写个小脚本遍历所有txt文件，逐行解析五个数值，检查class_id是否在合法范围内、四个坐标值是否在[0,1]区间内、width/height是否大于0。

第二关是漏检检查。遍历txt文件，比对图片文件名，确保每张图都有对应标注文件，且标注文件不为空。如果一张图没有标注文件，训练时YOLO会报"image without labels"警告，但你未必能第一时间定位到是哪张图。

第三关是可视化验证。用OpenCV把标注框画回原图，抽查100张，重点关注：

• 框是否紧贴目标边缘，有没有明显偏移
• 类别标签是否对得上目标外观（比如把客船标成货船）
• 小目标框是否被意外过滤掉

可视化这一步最花时间，但也最值得。我见过一个项目里20%的标注框中心点约偏移了50像素，就是因为转换脚本里把bbox的x和w搞混了。这类问题靠代码逻辑检查发现不了，只能靠肉眼抽检。

4. 基于3000张数据集训练YOLO的完整流程

4.1 数据集划分：别让验证集"作弊"

拿到数据的第一件事不是训练，而是划分数据集。很多人直接对图片列表做随机random.shuffle，这是个隐患很大的做法。

如果图片里有相当一部分是从同一段监控视频里按帧抽取的，随机划分会把同一视频不同帧拆到训练集和验证集。这些帧之间的差异可能只有几百毫秒，画面高度相似，最终验证集mAP会"虚高"，让你误以为模型泛化很好，一部署到新场景就现原形。

正确做法是先按摄像头ID或视频片段做分组，同一个来源的帧整体划入同一个集合，再做组级别的随机分配。建议比例是train 80%、val 10%、test 10%，也就是2400/300/300。如果你手里的视频片段特别多，也可以考虑按70/15/15划分，给验证和测试留更充足的多样性。

另外，抽帧间隔也很重要。同一段视频抽帧间隔低于10秒的话，画面基本没变化，等于在训练集里重复了同一张图。这个数据集在做抽帧时已经考虑了间隔问题，但你自己扩充数据时一定要记得这点。

4.2 写一份能一次性跑通的data.yaml

YOLO训练前需要一份data.yaml，内容很简单：

path: /mnt/data/marine_ship_dataset train: images/train val: images/val test: images/test nc: 7 names: 0: cargo 1: fishing 2: passenger 3: tug 4: sailboat 5: barge 6: other

这里有两个容易踩的坑。

第一个是path字段。如果你写相对路径，YOLO会把路径拼到当前工作目录下，一旦你在别的目录执行训练命令就会找不到数据。建议直接写绝对路径，省得排查半天。

第二个是names顺序。names列表的顺序必须和classes.txt一致，也必须和标注文件里的class_id一致。我之前在一个项目里把"fishing"和"passenger"的顺序写反了，结果训练完模型把渔船全部识别成客船，指标还看似正常，最后检查names才发现问题。

4.3 模型选型与训练参数设置

3000张的数据量在目标检测里属于中等偏小，选模型时没必要一上来就上最大的。我的建议是：

• 显存8GB左右：用yolov8s，batch 16，imgsz 640
• 显存16GB及以上：用yolov8m，batch 16，imgsz 640，后期可尝试1280
• 不要一上来用yolov8n，海事目标普遍偏小，n模型的特征提取能力在远处小目标上衰减明显

训练命令我建议这样写：

yolo detect train \ data=/mnt/data/marine_ship_dataset/data.yaml \ model=yolov8s.pt \ epochs=200 \ batch=16 \ imgsz=640 \ patience=20 \ device=0

几个参数的理解：

• model=yolov8s.pt表示加载COCO预训练权重继续训练。这点很重要，海事场景虽然特殊，但"船舶"的底层视觉特征在全世界是通用的，从预训练权重起步收敛速度和最终精度都明显优于从零训练。
• patience=20是早停参数，连续20个epoch验证集指标没有提升就停止训练。这能帮你省时间，尤其是训练到150个epoch以后。
• imgsz=640是训练输入尺寸。数据集里有1920×1080的原图，YOLO在训练时会自动缩放，但小目标会因此缩小到几个像素。后面我单独讲如何应对这个问题。

训练过程中如果loss出现NaN，优先检查数据集里有没有损坏的图片（常见原因是下载中断或格式异常）。如果验证集mAP长期在0.2以下不动，先别调参，回去看标注文件和names顺序。

4.4 训练完怎么评估：mAP、PR曲线、混淆矩阵

训练结束后不要只看一个总mAP就完事。YOLO训练完成会自动生成results.png、confusion_matrix.png等图表在runs/detect/train/目录里，我一般按这个顺序看：

第一看mAP@0.5和mAP@0.5:0.95。mAP@0.5是IOU阈值0.5下的平均精度，更贴近"能不能框中目标"的实用判断。mAP@0.5:0.95则从0.5到0.95取十个阈值平均，更严格，也更能反映框的定位精度。

第二看PR曲线（Precision-Recall曲线）。海事监测场景我更看重召回率。漏掉一艘船在港口监控里可能导致严重的下游问题，误报则可以用后续的跟踪逻辑过滤。所以我会选择置信度阈值向高召回一边倾斜，即使牺牲一些精确率。

第三看混淆矩阵。重点关注哪些类别容易互相混。我实际训练中遇到最多的混类是tug和passenger，两种船都是矮小紧凑的上层建筑，远距离下轮廓接近。如果你的业务对这两类区分要求高，需要额外收集这两个类别的特写数据。

注意：验证集mAP高不等于部署效果好。别忘了做一次跨摄像头泛化测试，用你没参与训练的其他摄像头画面去验证模型，才能真正看出泛化能力。

5. 海事监测训练中容易忽略的边界情况

5.1 小目标与远距离：目标只有几十像素怎么办

锚地停泊场景里，远处的货船在1920×1080画面上可能只有40×20像素。YOLO在640输入下，模型下采样32倍，特征图最小一格代表原图32×32像素。40×20的目标在特征图上不到一格半，这几乎等于检测"半个特征点"，效果可想而知。

应对手段有三个，按投入产出比排序：

第一是把训练和推理的imgsz提高到1280。代价是显存占用大约翻两倍，训练时间也线性增加。如果你的GPU显存够，这是最省事、收益最明显的方案。

第二是切片推理（tiling）。把1280以上的大图按320或640的步长切成若干patch，分别送进模型推理，再把结果映射回原图坐标。这个方案能显著提升小目标召回，但需要写后处理逻辑，还增加了推理耗时。

第三是用P2检测头。YOLOv8官方有yolov8-p2模型变体，在原始特征图上额外加了一层高分辨率检测头，专门为小目标优化。代价是计算量增加，但比起手工调tiling还是省心不少。

这三种方法可以在同一份数据集上做实验对比。我的经验是：tiling对岸基广角镜头的提升最明显，P2头对无人机航拍的提升更明显，1280训练是万金油但显存压力大。

5.2 天气与光照：逆光、海雾、雨夜

海事数据的标注难度在天气面前都是小事。逆光状态下船身变成一团黑影，海雾把目标和海面融成一片灰白，雨夜的雨线在画面里形成大量纹理噪点。这些环境干扰会让模型的误报率明显上升。

数据增强层面可以做针对性模拟：

• 逆光：在HSV增强中加大对比度变化范围，把部分训练图随机调暗
• 海雾：随机叠加高斯模糊和亮度抬升，模拟"灰蒙蒙"效果
• 雨夜：随机加噪声和亮度降低，注意夜间样本要单独评估

但说实话，增强只是补救手段。如果部署场景里夜间监控是刚需，最可靠的做法还是单独收集夜间数据，哪怕只收集500张，也比靠白天模型硬扛强得多。夜视相机和可见光相机的成像特性差异太大，不是数据增强能拉平的。

5.3 标注噪声：漏标是训练崩溃的隐形原因

标注噪声里最隐蔽、危害最大的是漏标。远距离小船在画面上只有十几个像素，人眼很容易漏掉。如果一张图里80%的船都标了，唯独漏了一条小船，训练时模型就会学到"这条小船是背景"，等于把正样本当负样本喂进去。

Mosaic增强让这个问题更严重。YOLO的Mosaic会把4张图拼在一起，如果其中一张图存在漏标目标，拼图后这个目标就出现在新图上但标签缺失，且不同来源的目标相互靠近，模型收到的信号是混乱的。

处理办法是在标注阶段做交叉审核，两张独立的标注结果对比差异，重点检查小目标。训练前再用可视化脚本对每张图的标注框数量做统计，标注数明显偏低的图优先抽查。

6. 数据集扩充与后续进阶方向

6.1 适合海事场景的数据增强组合

YOLO默认的增强策略里，Mosaic和MixUp对绝大多数场景有效。但海事目标有自己的特点，增强时要注意几个调整：

有一点容易被忽略：90度旋转不能随意开。货船是典型的"长条形"目标，旋转90度后宽度变成高度，模型会学到错误的形状语义。无人机航拍场景可以用小角度旋转，但岸基固定摄像头画面请保持水平。

6.2 半自动标注扩充：让模型帮你标

3000张数据跑通流程没问题，但部署到新场景后，最好补充新场景的数据再做一次增量训练。

扩充数据最省钱的方式是半自动标注。用第一轮训练好的模型对新增视频抽帧做预测，选出置信度高于0.7的框，人工只负责修正漏检和错框。实际操作中注意两个问题：

• 别让模型"自己骗自己"。如果抽帧画面的光照条件和训练集差异很大，预测结果置信度普遍偏低，就需要人工全量标注，不要硬用半自动。
• 新增样本的类别分布要和原数据集保持一致。如果新场景里渔船特别多，而原有数据里渔船只占15%，训练时就需要对渔船做加权，防止模型偏科。

我记得有一次扩充数据只录了港口白天的监控，结果模型对傍晚逆光场景的误报率从3%涨到15%。后来补了不同时段的数据做重训才压下来。

6.3 从检测走向跟踪与多模态

检测只是第一步。海事监测系统真正要解决的是目标跟踪和航迹分析。你可以在这份数据集的基础上，配合ByteTrack或DeepSORT做多目标跟踪，在连续帧上关联同一艘船的检测框。这一步能把"检测到的孤立目标"变成"持续稳定的航迹"，误报和漏报都能被时间一致性过滤掉一大半。

更进一步，可以把AIS（船舶自动识别系统）数据和视觉检测结果做对齐。AIS提供船舶身份和位置，视觉检测提供实时画面位置，两者融合可以解决目标身份确认问题，也让"报上船名"这件事从查数据库变成实时识别。要做到这一步，检测模型提供准确的类别和位置是基础，分类质量直接决定了上层应用的可靠性。

最后说几句实在话

做这套数据集训练流程的时候，最深的体会是：数据永远比模型更花时间，也永远更值得花时间。3000张图听起来不算多，但它把岸基监控、无人机航拍、不同天气光照这些真实变量都覆盖到了，这份多样性比数量翻倍但场景单一更有价值。

如果你准备拿这份数据集做落地部署，我的建议是先在你的目标水域单独采集2-3天的视频，做少量补充标注，重点覆盖你实际场景的摄像头角度和天气条件，然后和这份数据集混合训练。训练时把验证集比例留足，别被漂亮的mAP骗了，多跑几次跨摄像头测试才是检验模型的硬标准。

另外一个实际的心得：训练中途如果发现某个类别的AP特别拉胯，比如sailboat只有0.1，不要急着堆数据，先去看它的标注框画得对不对。我遇到过好几次，AP低纯粹是因为部分标注框框进了船体周围的水域，框的宽高比严重失真，模型永远学不对这个目标的边界。

这套流程整体跑下来，从拿到数据到产出第一版模型，大约三天时间。后续的扩充、调优和部署还有不少细节，等下次再单独聊聊在Jetson设备上做推理加速和量化的话题。