深度学习框架YOLO模型如何训练无人机港口水域船舶 目标检测数据集 无人机船舶检测数据集浮标、化工船、集装箱船、客滚船、引航船、拖船

无人机港口水域船舶目标检测数据集

数据集面向港口监控、水域交通感知、无人机视角船舶识别与海事视觉巡检任务设计，收录了港口、码头、航道及近岸水域等场景下的船舶与水面目标图像。数据集中包含多尺度船舶目标、复杂港区背景、远近距离目标、船舶遮挡与多目标共现等情况，可用于船舶目标检测、水面目标识别、港区智能巡检与海事视觉感知算法的训练和评测。
类别：数据集（目标检测），共约 228 MB

检测子集规模：包含 6092 张图像，按 train/val/test 划分，其中训练集、验证集和测试集分别有 4262、1222 和 608 张图像。

标注规模：共 12879 个目标框，其中 Container 5535 个、Tugboat 4364 个、Passenger-RoRo 1703 个、Buoy 573 个、Pilot 397 个、Chemical 307 个。
图像分辨率：以 640x640 图像为主。
标注：包含边界框检测标注，为 YOLO TXT 格式。
类别：Buoy、Chemical、Container、Passenger-RoRo、Pilot、Tugboat，共 6 类。

无人机港口水域船舶目标检测数据集信息表

一、环境依赖

pipinstallultralytics opencv-python numpy

二、数据集目录结构

port_ship/ ├── train/ │ ├── images │ └── labels ├── val/ │ ├── images │ └── labels ├── test/ │ ├── images │ └── labels └── data.yaml

三、数据集配置文件 data.yaml

path:./port_shiptrain:train/imagesval:val/imagestest:test/imagesnc:6names:0:Buoy1:Chemical2:Container3:Passenger-RoRo4:Pilot5:Tugboat

四、YOLOv26 训练代码 train_port_ship.py

fromultralyticsimportYOLOif__name__=="__main__":model=YOLO("yolov26s.pt")model.train(data="./port_ship/data.yaml",epochs=100,imgsz=640,batch=8,device=0,workers=0,lr0=0.01,patience=18,mosaic=1.0,perspective=0.002,degrees=10,project="runs/train",name="yolov26_port_ship",exist_ok=True)

五、评估与推理代码 predict_eval.py

fromultralyticsimportYOLO# 加载最优模型权重model=YOLO("runs/train/yolov26_port_ship/weights/best.pt")# 模型指标评估metrics=model.val(data="./port_ship/data.yaml")print(f"mAP@0.5:{metrics.box.map50}")# 单图推理model("test.jpg",save=True)# 视频推理# model("port_video.mp4", save=True)

补充提示

1. 针对数据集多尺度、遮挡、复杂水面背景，代码已开启透视、旋转数据增强，提升模型泛化能力。
2. 显存不足时，下调batch为 4/2；无GPU将device=0改为device="cpu"。
3. 确保图片与对应TXT标注文件名称完全一致。