YOLOv8船舶识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
针对复杂海洋环境下多类别船舶检测任务中存在的类别混淆与精确率不足问题，本文基于YOLOv8目标检测算法构建了一套船舶识别检测系统。系统涵盖10类常见船舶类型，包括散货船、集装箱船、杂货船、油品船、客船、油轮、拖网渔船、拖船、车辆运输船和游艇。实验采用自建数据集，共包含4,998张标注图像，其中训练集3,498张、验证集1,000张、测试集500张。实验结果表明，该系统在测试集上的平均精度均值（mAP50）达到94.1%，召回率达到100%，精确率为93.7%。模型对客船、拖网渔船、拖船等类别识别效果极佳，但对油轮与油品船之间存在一定的类别混淆。总体而言，所提系统在船舶检测任务中表现出高召回与高精度的优良性能，具备较强的工程应用价值。
目录
摘要
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
引言
背景
船舶检测的重要性
目标检测技术发展
现存挑战
数据集介绍
类别设置
数据集划分
标注格式
训练过程
训练结果
1、整体性能评估（非常优秀）编辑
2、各类别详细性能
3、混淆矩阵分析编辑
4、训练过程分析编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
随着全球航运业的快速发展，船舶类型自动识别在港口管理、海上交通监控、渔业监管及国防安全等领域具有重要应用价值。传统的船舶识别方法多依赖人工观察或雷达信号分析，存在效率低、成本高、易受天气影响等局限性。近年来，基于深度学习的目标检测技术，尤其是YOLO系列算法，因其检测速度快、精度高，已广泛应用于遥感图像、无人机航拍及视频监控中的船舶检测任务。
然而，现有研究多集中于船舶与背景的二分类检测，或在少量船舶类别上进行识别，对于10类及以上细粒度船舶分类的研究仍较为有限。此外，油轮与油品船等外观相似的船型之间容易出现误检，成为制约系统精确率的关键问题。
为此，本文基于YOLOv8框架，构建了一个覆盖10类主要船舶类型的识别检测系统，并在自建的大规模标注数据集上进行训练与评估。本文的主要贡献包括：
构建了一个包含近5,000张图像、10类船舶的高质量数据集；
实现了对10类船舶的高召回检测（Recall=100%）；
分析了类别混淆的具体成因，并提出针对性改进方向。
背景
船舶检测的重要性
船舶类型识别是智能海洋监控系统的核心任务之一。不同类型的船舶在航行速度、载货性质、停靠权限及风险等级上存在显著差异。例如，油轮和油品船需重点监控以防泄漏事故，而游艇和客船则关注乘客安全。因此，实现对船舶类型的自动细粒度识别，对于提升海事管理智能化水平具有重要意义。
目标检测技术发展
传统目标检测方法如Haar级联、HOG+SVM等在船舶识别中效果有限，难以应对光照变化、波浪干扰及船舶部分遮挡等复杂情况。2012年以来，卷积神经网络（CNN）的兴起推动了目标检测技术的快速发展。其中，YOLO（You Only Look Once）系列以端到端回归的方式同时预测目标位置与类别，在实时性与精度之间取得了良好平衡。
YOLOv8作为Ultralytics于2023年发布的最新版本，在骨干网络、损失函数及数据增强策略上进行了多项优化，支持更高效的多尺度特征提取与更精准的边框回归。因此，本文选择YOLOv8作为船舶识别检测的基础模型。
现存挑战
尽管YOLOv8在通用目标检测任务上表现优异，但在特定领域——如船舶细粒度分类——仍面临以下挑战：
类间相似性高：油轮与油品船、散货船与杂货船外观高度相似，易产生混淆；
数据不平衡：某些船型（如拖网渔船、游艇）样本量可能较少；
背景干扰：海面波浪、港口建筑物及光照反射可能引入误检。
本研究正是针对上述挑战，基于自建的多类别均衡数据集，对YOLOv8进行训练与系统评估。
数据集介绍
类别设置
数据集共包含10类船舶，具体如下：
| 序号 | 类别名称（英文） | 类别名称（中文） |
|---|---|---|
| 0 | BULK CARRIER | 散货船 |
| 1 | CONTAINER SHIP | 集装箱船 |
| 2 | GENERAL CARGO | 杂货船 |
| 3 | OIL PRODUCTS TANKER | 油品船 |
| 4 | PASSENGERS SHIP | 客船 |
| 5 | TANKER | 油轮 |
| 6 | TRAWLER | 拖网渔船 |
| 7 | TUG | 拖船 |
| 8 | VEHICLES CARRIER | 车辆运输船 |
| 9 | YACHT | 游艇 |
数据集划分
数据集总图像数量为4,998张，按如下比例划分：
| 集合 | 图像数量 | 比例 |
|---|---|---|
| 训练集 | 3,498 | 70% |
| 验证集 | 1,000 | 20% |
| 测试集 | 500 | 10% |
标注格式
所有图像均使用边界框（bounding box）标注，采用YOLO格式（归一化的中心坐标与宽高）。每张图像可能包含多艘船舶，标注信息存储在对应的.txt文件中。
训练过程
训练结果
1、整体性能评估（非常优秀）![]()
mAP50: 0.941（94.1%）
mAP50-95: 0.941（94.1%）
Precision: 0.937（93.7%）
Recall: 1.00（100%）
结论：模型整体性能非常出色，尤其是召回率达到100%，意味着所有船舶都被成功检测出来，没有漏检。
2、各类别详细性能
| 类别 | Precision | Recall | 表现评价 |
|---|---|---|---|
| PASSENGERS SHIP | 0.995 | 1.00 | ⭐ 极佳 |
| TRAWLER | 0.995 | 1.00 | ⭐ 极佳 |
| TUG | 0.994 | 1.00 | ⭐ 极佳 |
| VEHICLES CARRIER | 0.995 | 1.00 | ⭐ 极佳 |
| YACHT | 0.995 | 1.00 | ⭐ 极佳 |
| CONTAINER SHIP | 0.989 | 1.00 | 优秀 |
| BULK CARRIER | 0.939 | 1.00 | 良好 |
| GENERAL CARGO | 0.933 | 1.00 | 良好 |
| OIL PRODUCTS TANKER | 0.778 | 1.00 | 需改进 |
| TANKER | 0.758 | 1.00 | 需改进 |
问题类别：
OIL PRODUCTS TANKER和TANKER的精确率偏低（约0.76-0.78），存在较多误检（把其他船误认为这两类）
3、混淆矩阵分析![]()
从归一化混淆矩阵可以看出：
TANKER与OIL PRODUCTS TANKER之间存在明显混淆（~0.27的误分）
BULK CARRIER与GENERAL CARGO也有一定混淆
背景误检极少（~0.01），说明模型对船舶/背景区分能力强
4、训练过程分析![]()
训练损失：box_loss、cls_loss、dfl_loss 均从较高值平稳下降至接近0，收敛良好
验证损失：同样呈下降趋势，没有明显过拟合
精确率/召回率：在训练早期（10 epoch内）就达到0.88-0.90以上，收敛速度快
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：