YOLOv5在舰船检测中的优化与应用实践

1. 项目概述：当YOLO遇上舰船识别

去年参与某海域监测项目时，我们团队需要处理每天超过2TB的卫星和无人机影像，传统人工识别方式效率低下且漏检率高达30%。在尝试了多种方案后，最终基于YOLOv5构建的舰船检测系统将识别准确率提升至92.3%，误报率控制在1.2%以下。这个经历让我深刻认识到目标检测技术在实际工程中的价值。

舰船检测与识别系统本质上是一个特定场景下的计算机视觉应用，核心任务是从复杂海面背景中快速定位并分类各类船舶。相比通用目标检测，这类系统需要解决三大特殊挑战：小目标检测（远距离拍摄的船只可能只占图像几个像素）、复杂背景干扰（波浪、云层、岛屿等）以及类别相似性（不同船型间的细微差异）。

2. 技术选型：为什么是YOLO系列？

2.1 YOLO算法家族演进对比

在项目初期，我们对比了Faster R-CNN、SSD和YOLO系列的表现。实测数据显示，在Titan RTX显卡上，YOLOv5s的推理速度达到156FPS，是Faster R-CNN的8倍，而mAP仅下降2.1个百分点。这种速度优势对于实时监控场景至关重要。

各版本YOLO的核心改进点：

• YOLOv3：引入多尺度预测（3种grid size）和Darknet-53主干网络
• YOLOv4：加入CSPDarknet53、PANet和SAM模块
• YOLOv5：采用Focus结构减少计算量，优化训练管道
• YOLOv6：重参数化设计+Anchor-free方案
• YOLOv7：模型缩放技术和复合扩展方法
• YOLOv8：无锚框设计和更灵活的架构

实际项目中建议从YOLOv5或v8起步，其社区生态和文档最为完善。我们最终选择v5n（nano版本）作为基础模型，在保持83.6%精度的同时，模型尺寸仅3.7MB。

2.2 舰船检测的特殊需求适配

针对舰船检测的特殊性，我们对标准YOLO做了以下改进：

1. 输入分辨率调整：从默认640×640提升至1280×1280，小目标检测AP提升17%
2. 数据增强策略：增加Mosaic和MixUp的概率至0.5，添加随机海浪模拟
3. Anchor重聚类：使用K-means对舰船标注框重新聚类，得到更适合船舶长宽比的anchor
4. 注意力机制：在Neck部分添加CBAM模块，背景抑制效果提升明显

# 改进后的模型配置示例（YOLOv5s修改版） model: backbone: type: CSPDarknet depth_multiple: 0.33 width_multiple: 0.50 neck: type: PANet_CBAM # 自定义带注意力的PANet head: anchors: [[12,36], [24,72], [36,108], [48,144], [60,180]] # 重聚类后的anchor

3. 数据工程：从采集到增强

3.1 舰船数据集构建要点

优质数据集应包含以下场景：

• 不同光照条件（顺光/逆光/夜间）
• 多种海况（平静/波浪/暴风雨）
• 各类拍摄角度（俯视/斜视/水平）
• 多样化背景（港口/远海/近岸）

我们使用的数据集组成：

• SeaShips（公开数据集）：6类船只，3000+标注图像
• 自采无人机数据：12类本土船只，1.2万张标注图像
• 卫星图像补充：GF-4卫星数据，分辨率50m/pixel

标注时特别注意：船体吃水线应完整包含，桅杆等突出部分可不标注；同类船只不同状态（如渔船撒网/收网）建议设为子类。

3.2 数据增强策略实测对比

在波浪干扰严重的场景下，传统翻转旋转效果有限。我们开发了一套海浪模拟增强方法：

1. 基于Perlin噪声生成动态波浪纹理
2. 根据风向调整波浪角度（0-360度随机）
3. 控制波高参数（0.5-3米等效高度）
4. 添加阳光反射特效（镜面反射强度0.1-0.3）

实测显示，加入海浪增强后，复杂海况下的检测精度提升23.8%。其他有效增强包括：

• 云雾模拟（降低远距离船只对比度）
• 镜头眩光（模拟逆光拍摄）
• 色温扰动（模拟不同时段光照）

4. 模型训练技巧与调优

4.1 超参数设置黄金法则

经过50+次实验验证的关键参数组合：

lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率=lr0*lrf momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 warmup_bias_lr: 0.1

关键发现：

• 使用AdamW优化器比SGD在舰船数据上快15%收敛
• 采用余弦退火学习率比阶梯式下降mAP高0.7
• 加入梯度裁剪（max_norm=10.0）可避免海上反光导致的梯度爆炸

4.2 提升小目标检测的三大技巧

1. 特征融合改进：在PANet基础上增加P2层（1/4尺度）的特征融合，小目标召回率提升11%
2. 损失函数优化：将CIoU替换为SIoU，角度惩罚项对舰船方向敏感
3. 测试时增强：采用3尺度翻转集成（1.0x, 1.3x, 0.7x），虽增加30%计算量但mAP提升2.3%

# 自定义SIoU损失实现核心代码 def SIoU_loss(pred, target): # 角度代价计算 sigma = torch.atan2(target[...,2], target[...,3]) - torch.atan2(pred[...,2], pred[...,3]) alpha = 1 - 2 * torch.pow(torch.sin(sigma), 2) # 距离代价 c_w = (pred[...,0] + target[...,0]) / 2 c_h = (pred[...,1] + target[...,1]) / 2 rho_x = torch.pow((target[...,0] - pred[...,0])/c_w, 2) rho_y = torch.pow((target[...,1] - pred[...,1])/c_h, 2) return 1 - (alpha * (1 - (rho_x + rho_y))) * IoU(pred, target)

5. 部署落地实战方案

5.1 边缘设备优化技巧

在Jetson Orin Nano上的优化步骤：

1. 导出ONNX时启用动态轴：--dynamic --simplify
2. 使用TensorRT量化：FP16模式速度提升2.1倍，INT8再提升1.8倍
3. 内存优化：通过trtexec设置--workspace=2048避免OOM

实测性能对比：

5.2 工程化中的常见陷阱

1. 动态尺度问题：海上目标尺度变化大，建议部署时保留多尺度推理能力
2. 误报过滤：通过轨迹分析（连续3帧出现才确认）降低波浪误报
3. 类别混淆：对易混类别（如货轮/油轮）添加二级分类器
4. 光照适应：部署自动曝光补偿模块，避免逆光失效

我们开发的部署架构：

视频流 → 自适应预处理 → YOLO检测 → 轨迹分析 → 类型确认 → 结果输出 ↑ ↓ ↑ 曝光补偿模块 误报过滤规则库 船舶特征数据库

6. 效果评估与持续改进

6.1 特殊场景下的性能表现

在测试集上的分场景表现：

6.2 持续优化方向

当前系统的改进空间：

1. 引入Transformer模块提升远距离小目标检测
2. 开发船舶重识别模块实现跨摄像头追踪
3. 融合AIS信号辅助验证检测结果
4. 针对特殊船型（隐形军舰）的对抗训练

实际项目中，我们通过每月更新训练数据（约500张新标注图像），使系统保持对新型船只的识别能力。一个有趣的发现：当新增数据中某类船只占比超过15%时，建议对该类别单独进行增量训练，而非全模型微调。