海上搜救（SAR）小目标检测打造 海上搜救小目标检测数据集 深度学习YOLOv8 的完整训练代码 无人机航拍+水上漂浮物检测（人、船、冲浪板等）海上搜救检测数据集
AFO数据集（Aerial Dataset of Floating Objects）
专为海上搜救（SAR）小目标检测打造
2021年发布，波兰AGH科技大学出品
无人机航拍+水上漂浮物检测（人、船、冲浪板等）
3647张图像，39991个标注目标
分辨率720p～4K（1280×720～3840×2160）
50段无人机航拍视频，人工标注
数据集划分：训练集2787张（76.4%），测试集514张（14.1%），验证集339张（9.3%）
三、标注类别（9类）
• human（人）
• boat（船）
• bouy（浮标）
• kayak（皮划艇）
• sailboat（帆船）
• wind/sup-board（冲浪/桨板）
• small_obj（小物体）
• large_obj（大物体）
• object（通用物体）
。
AFO数据集（Aerial Dataset of Floating Objects）基本信息
| 项目 | 描述 |
|---|---|
| 数据集名称 | AFO（Aerial Dataset of Floating Objects） |
| 发布时间 | 2021年 |
| 发布机构 | 波兰AGH科技大学 |
| 应用场景 | 海上搜救（SAR）中的小目标检测 |
| 图像来源 | 无人机航拍 |
| 图像数量 | 3647张 |
| 视频来源 | 50段无人机航拍视频（人工抽帧并标注） |
| 标注目标总数 | 39,991个 |
| 分辨率范围 | 720p 至 4K（1280×720 ~ 3840×2160） |
| 数据集划分 | 训练集：2787张（76.4%）测试集：514张（14.1%）验证集：339张（9.3%） |
标注类别（共9类）
| 类别编号 | 类别名称 | 说明 |
|---|---|---|
| 0 | human | 漂浮的人 |
| 1 | boat | 船只 |
| 2 | bouy | 浮标 |
| 3 | kayak | 皮划艇 |
| 4 | sailboat | 帆船 |
| 5 | wind/sup-board | 冲浪板或桨板 |
| 6 | small_obj | 小型漂浮物体（未具体分类） |
| 7 | large_obj | 大型漂浮物体（未具体分类） |
| 8 | object | 通用漂浮物体（模糊或难以识别类型） |
目标检测训练代码示例（基于YOLOv8）
以下是一个使用 Ultralytics YOLOv8 框架训练 AFO 数据集的代码样例。假设数据已按标准 YOLO 格式组织（每张图像对应一个.txt标注文件，包含归一化坐标和类别索引）。
fromultralyticsimportYOLOimporttorch# 检查 GPU 是否可用device=0iftorch.cuda.is_available()else'cpu'print(f"Using device:{device}")# 加载预训练模型（可选：'yolov8n.pt'、'yolov8s.pt' 等）model=YOLO('yolov8s.pt')# 使用 small 模型平衡速度与精度# 定义数据配置文件（需提前创建 afo.yaml）# 示例 afo.yaml 内容见下方说明# 开始训练results=model.train(data='afo.yaml',# 数据集配置文件路径epochs=100,# 训练轮数imgsz=1280,# 输入图像尺寸（建议使用高分辨率以检测小目标）batch=16,# 批次大小（根据 GPU 显存调整）optimizer='AdamW',# 优化器选择lr0=0.001,# 初始学习率momentum=0.937,# 动量weight_decay=0.0005,# 权重衰减hsv_h=0.015,# 数据增强：色调hsv_s=0.7,# 饱和度hsv_v=0.4,# 明度degrees=10.0,# 旋转增强translate=0.2,# 平移增强scale=0.5,# 缩放增强flipud=0.5,# 上下翻转fliplr=0.5,# 左右翻转save=True,# 保存最佳模型save_period=10,# 每10轮保存一次project='afo_detection',# 输出目录name='exp1',# 实验名称exist_ok=False,workers=8# 数据加载线程数)# 可选：在测试集上评估metrics=model.val()# 可选：导出为 ONNX 格式用于部署model.export(format='onnx')示例afo.yaml配置文件内容（保存在项目目录中）
# afo.yamltrain:/path/to/afo/images/trainval:/path/to/afo/images/valtest:/path/to/afo/images/test# 类别数量nc:9# 类别名称names:-human-boat-bouy-kayak-sailboat-wind/sup-board-small_obj-large_obj-object说明：
- 请确保将图像和标签按 YOLO 格式组织，标签文件为
.txt，每行格式为：class_id center_x center_y width height（归一化坐标）。- 推荐使用高分辨率输入（如
imgsz=1280或1920）以提升对小目标的检测能力。- 可结合 Mosaic、MixUp 等数据增强策略进一步提升模型鲁棒性。
如需完整数据预处理脚本（如从原始标注转换为 YOLO 格式），可进一步提供标注格式（如 COCO 或 PASCAL VOC），我可协助转换。
这是为您整理的AFO 数据集（Aerial Dataset of Floating Objects）的结构化技术文档，包含详细的数据集参数表格以及基于YOLOv8的完整训练代码。
🌊 AFO 数据集技术概览
该数据集由波兰 AGH 科技大学于 2021 年发布，专为解决海上搜救（SAR）任务中小目标检测难点而设计。数据源自无人机航拍，涵盖了复杂海况下的多种漂浮物。
1. 数据集基础信息
| 属性 | 详细描述 |
|---|---|
| 全称 | Aerial Dataset of Floating Objects (AFO) |
| 发布机构 | 波兰 AGH 科技大学 |
| 发布时间 | 2021年 |
| 核心场景 | 海上搜救、无人机航拍监测、小目标检测 |
| 图像总量 | 3,647 张 |
| 标注目标 | 39,991 个（高密度标注） |
| 分辨率 | 720p ~ 4K (1280 × 720 1280 \times 7201280×720至3840 × 2160 3840 \times 21603840×2160) |
| 视频源 | 50 段人工标注的无人机航拍视频 |
2. 数据集划分
| 划分集合 | 图像数量 | 占比 |
|---|---|---|
| 训练集 | 2,787 张 | 76.4% |
| 测试集 | 514 张 | 14.1% |
| 验证集 | 339 张 | 9.3% |
3. 标注类别 (9类)
| ID | 类别名称 | 中文描述 | 备注 |
|---|---|---|---|
| 0 | human | 人员 | 搜救核心目标 |
| 1 | boat | 船只 | 普通机动船 |
| 2 | bouy | 浮标 | 航标或警示浮标 |
| 3 | kayak | 皮划艇 | 小型人力船 |
| 4 | sailboat | 帆船 | 带帆船只 |
| 5 | wind/sup-board | 冲浪/桨板 | 极小目标，检测难点 |
| 6 | small_obj | 小物体 | 未分类的小型漂浮物 |
| 7 | large_obj | 大物体 | 未分类的大型漂浮物 |
| 8 | object | 通用物体 | 模糊或难以具体分类的目标 |
💻 模型训练代码 (基于 YOLOv8)
针对 AFO 数据集**小目标多、背景复杂（海浪干扰）**的特点，以下代码配置了较高的输入分辨率（1280）和针对性的数据增强策略。
1. 准备工作：afo.yaml配置文件
请在代码同级目录下创建afo.yaml文件，内容如下：
# AFO Dataset Configurationpath:/path/to/AFO_Dataset# 数据集根目录train:images/train# 训练集图像路径 (相对路径)val:images/val# 验证集图像路径test:images/test# 测试集图像路径# 类别数量nc:9# 类别名称列表names:0:human1:boat2:bouy3:kayak4:sailboat5:wind/sup-board6:small_obj7:large_obj8:object2. Python 训练脚本 (train_afo.py)
fromultralyticsimportYOLOimporttorchimportosdeftrain_afo_model():# 1. 设置设备# 自动选择 GPU，如果没有则使用 CPUdevice='0'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# 2. 加载模型# 建议使用 YOLOv8s 或 YOLOv8m，平衡小目标检测精度与速度# 如果是极小目标，也可以尝试 YOLOv8l，但速度会变慢model=YOLO('yolov8s.pt')# 加载预训练权重# 3. 开始训练# 针对 AFO 数据集的高分辨率和小目标特性进行参数微调results=model.train(data='afo.yaml',# 数据集配置文件路径epochs=100,# 训练轮数 (建议 100-300)imgsz=1280,# 输入尺寸：AFO 包含 4K 图像，建议设为 1280 以保留小目标特征batch=16,# 批次大小 (根据显存调整，显存不足改为 8 或 4)device=device,# 指定设备workers=8,# 数据加载线程数# --- 优化器设置 ---optimizer='AdamW',# AdamW 通常比 SGD 收敛更快lr0=0.001,# 初始学习率lrf=0.01,# 最终学习率 (lr0 * lrf)momentum=0.937,# 动量weight_decay=0.0005,# 权重衰减# --- 针对小目标的数据增强 ---# 增加 Mosaic 增强概率，提升对遮挡和背景的鲁棒性mosaic=1.0,# Mosaic 增强概率 (0-1)mixup=0.1,# MixUp 增强概率copy_paste=0.1,# Copy-Paste 增强 (对检测稀疏目标如 'human' 有效)# --- 其他设置 ---patience=50,# 早停机制 (如果 50 轮没提升则停止)save=True,# 保存模型检查点save_period=-1,# 仅保存最佳权重和最后权重project='runs/detect',# 项目保存路径name='AFO_Exp_v1',# 实验名称exist_ok=False,# 如果存在同名实验是否覆盖verbose=True# 详细输出)print("✅ 训练完成！")# 4. 验证模型性能metrics=model.val()print(f"📊 mAP50:{metrics.box.map50:.4f}")print(f"📊 mAP50-95:{metrics.box.map:.4f}")if__name__=='__main__':train_afo_model()4. 训练建议与注意事项
- 输入尺寸 (
imgsz)：- AFO 数据集中包含大量微小目标（如远处的人、冲浪板）。强烈建议将
imgsz设置为 1280 或更高。如果设置为默认的 640，小目标特征可能会在下采样过程中丢失，导致检测率大幅下降。
- AFO 数据集中包含大量微小目标（如远处的人、冲浪板）。强烈建议将
- 显存管理：
- 使用
imgsz=1280会显著增加显存占用。如果遇到CUDA out of memory错误，请减小batch大小（例如设置为 4 或 8）。
- 使用
- 类别不平衡：
- 数据集中
human和small_obj可能属于难样本。如果训练后期这些类别的召回率较低，可以在afo.yaml中调整hyp参数，或者在训练参数中增加scale和translate的增强幅度。
- 数据集中
- 预训练权重：
- 务必加载 COCO 预训练权重（如代码中的
yolov8s.pt），不要从头训练，这能极大加快收敛速度并提高精度。
- 务必加载 COCO 预训练权重（如代码中的