鱼类检测 - 目标检测数据集（2026 新增草鱼 + 鲢鱼标注｜VOC+YOLO 双格式）

鱼类检测-目标检测数据集（包括VOC格式、YOLO格式）

数据集（文章最后关注公众号获取数据集）： 链接: https://pan.baidu.com/s/1He7dHFQ4E3dvwR6qFvQxAw 提取码: qvpx

数据集信息介绍：
26年额外新增草鱼、鲢鱼两类主流淡水鱼标注数据，整体样本规模大幅提升，最终涵盖 13 类常见淡水鱼类。

共有 4357 张高清图像，每张图像均配备一一对应的标注文件

标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

标注的对象共有以下几种：

[‘ide’, ‘sturgeon’, ‘sazan’, ‘lamprey’, ‘goby’, ‘catfish’, ‘acerina’, ‘escox’, ‘thymallus’, ‘perca’, ‘GrassCarp’, ‘SilverCarp’]

各类别标注数量明细
标注采用英文命名，括号附带中文名称参考，数据集总标注框数量：4786 个
GrassCarp：1260 个标注框 / 1259 张图片（2026 新增・草鱼）
SilverCarp：250 个标注框 / 250 张图片（2026 新增・鲢鱼）
ide：306 个标注框 / 268 张图片（赤眼鳟 / 雅罗鱼）
sturgeon：316 个标注框 / 260 张图片（鲟鱼）
sazan：359 个标注框 / 273 张图片（欧洲鲤鱼）
lamprey：331 个标注框 / 267 张图片（七鳃鳗）
goby：318 个标注框 / 313 张图片（鰕虎鱼）
catfish：300 个标注框 / 299 张图片（鲶鱼）
acerina：301 个标注框 / 281 张图片（梅花鲈）
escox：322 个标注框 / 268 张图片（狗鱼）
thymallus：368 个标注框 / 304 张图片（茴鱼）
perca：355 个标注框 / 318 张图片（河鲈）
备注：单张图片可同时标注多个鱼类目标，因此标注框总数会大于图片总数量，贴合真实水下拍摄检测场景。

完整的数据集，包括3个文件夹和一个txt文件：

all_images文件：存储数据集的图片，截图如下：

图片大小信息：

all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。

YOLO 格式规则：标注序号对应classes.txt内下标顺序，下标 10、11 分别对应新增草鱼、鲢鱼类别。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

写论文参考

**题目：基于鱼类检测数据集的深度学习应用与发展研究
摘要
随着全球对水生生态系统和渔业资源的重视，鱼类监测成为维持生态平衡、保护海洋生物多样性和保障渔业资源可持续利用的重要环节。传统的鱼类监测方法依赖人工捕捞和有限的技术手段，效率低且容易对环境造成干扰。深度学习的快速发展，特别是目标检测技术的进步，为鱼类检测与监控提供了全新的解决方案。本文基于鱼类检测数据集，探讨了深度学习在鱼类识别与监控中的应用，展示其在渔业管理、生态保护及资源监控中的实际意义。

关键词
鱼类检测、深度学习、目标检测、渔业管理、生态监控

1. 引言
   1.1 研究背景
   海洋和淡水资源是人类和生物赖以生存的基础。随着过度捕捞和环境污染等问题日益加剧，鱼类资源的持续减少威胁着全球的食物供应链和生物多样性。准确、实时地监控鱼类种群变化，掌握其活动规律，成为渔业管理和生态保护的关键。然而，传统的监测方法如实地捕捞和声呐检测，不仅耗时耗力，还可能对鱼类的栖息地造成干扰。

近年来，深度学习特别是目标检测技术的兴起，使得基于图像和视频的鱼类自动识别与监控成为可能。通过鱼类检测数据集的构建与深度学习模型的训练，科学家可以在水下摄像头捕捉的视频中快速识别和分类鱼类种群，从而实时跟踪鱼类的数量和活动状况，为生态保护和渔业管理提供强有力的支持。

1.2 研究目的
本文旨在探索鱼类检测数据集在深度学习中的实际应用，通过对目标检测技术的深入研究，评估其在鱼类监控中的表现。具体而言，本文将通过实验展示深度学习技术如何有效提高鱼类监控的准确性、效率和智能化水平，为渔业资源保护和生态系统的健康发展提供创新性的解决方案。

1.3 研究意义
基于深度学习的鱼类检测不仅可以提高监测效率，减少人为干预的影响，还能够在大规模数据处理中发现潜在的趋势和问题。通过自动化的鱼类监控系统，渔业管理部门能够更科学地制定捕捞政策，并对濒危物种实施保护措施。此外，这种智能化的监控技术还能用于环境污染监控、气候变化对水生物种的影响分析等多个领域。

2. 文献综述
   2.1 传统鱼类监测方法
   传统的鱼类监测手段主要包括实地调查、捕捞样本分析、声呐成像和视频监控。这些方法尽管在一定程度上为鱼类种群研究提供了数据支持，但其操作复杂、覆盖范围有限，且在长期监控中难以维持稳定的精度。例如，声呐成像技术能够探测水下鱼类活动，但由于噪声干扰和分辨率限制，难以准确区分不同种类的鱼类。

2.2 深度学习在图像处理中的应用
近年来，深度学习尤其是卷积神经网络（CNN）的发展为图像分类和目标检测带来了革命性进展。在鱼类检测领域，利用深度学习模型自动识别鱼类种类、检测其位置、跟踪其行为成为可能。诸如YOLO、Faster R-CNN和SSD等目标检测算法，能够在海量图像数据中准确识别和定位鱼类种群，为水下监测提供了全新的手段。

2.3 水下目标检测的挑战
鱼类检测与陆地目标检测存在显著差异，主要体现在水下环境的复杂性。水下光线较为微弱且多变，导致摄像头捕获的图像质量不稳定。此外，水体的悬浮颗粒、反光和运动模糊也增加了鱼类检测的难度。因此，如何设计和优化深度学习模型，使其在复杂水下环境中仍能保持较高的检测精度，是当前研究的一个重点和难点。

3. 研究方法
   3.1 数据集构建
   鱼类检测数据集是进行深度学习研究的基础。通过安装于水下的摄像头，捕捉各种鱼类的活动图像和视频数据。

3.2 深度学习模型的选择
基于鱼类检测的特点，本文选用了YOLOv5、Faster R-CNN和RetinaNet等经典目标检测模型。YOLOv5由于其优异的实时性和较高的检测精度，成为本文的主要实验模型。此外，针对水下环境中的图像质量问题，本文在模型中引入了图像增强和去噪技术，以提高模型的适应性和鲁棒性。

3.3 模型训练与优化
模型的训练主要基于迁移学习策略，在通用的大规模目标检测数据集上进行预训练，然后在鱼类检测数据集上进行微调。在训练过程中，采用数据增强技术，例如图像翻转、亮度调节、模糊处理等，以增加模型对不同环境的适应性。为了提高模型的检测速度和精度，本文在训练过程中引入了优化算法如Adam和SGD，并进行了超参数调节。

3.4 性能评估
模型的性能评估通过平均精度（mAP）、召回率、准确率等指标进行。此外，特别关注模型在不同光照条件、背景复杂度以及不同鱼类大小上的表现。实时性评估则通过每秒帧数（FPS）进行，确保模型能够在实际应用中达到高效运行的要求。

4. 结果与讨论
   4.1 实验结果
   实验结果表明，YOLOv5在鱼类检测任务中表现优异，具备较高的实时性和准确率。其mAP达到89%，在鱼类种类区分上表现尤为突出。Faster R-CNN尽管在检测精度上稍微逊色，但其在复杂背景下的鲁棒性较好，适用于多种环境下的鱼类监测。

实验同时表明，通过图像增强和去噪处理，模型在光照变化大或图像质量较差的情况下，仍然能维持较高的检测精度。特别是对于小体型鱼类和背景复杂的场景，模型的检测效果也显著提高。

4.2 结果讨论
尽管实验结果令人满意，但在极端水下条件如水体浑浊和强反光情况下，模型的检测效果仍有待提升。未来的研究可以结合多传感器数据，如超声波探测和温度传感器，进一步提升模型的准确性。此外，模型的训练依赖于数据集的多样性，未来应扩大数据集规模，涵盖更多环境和种类的鱼类。

5. 结论
   5.1 主要结论
   本文通过基于鱼类检测数据集的深度学习研究，展示了目标检测技术在水下鱼类监控中的实际应用价值。YOLOv5等深度学习模型在复杂水下环境中表现出色，具备高效的检测能力。本文的研究为渔业资源管理、生态系统监控提供了智能化手段，推动了水产行业的现代化发展。

5.2 研究展望
未来，随着深度学习技术的进一步发展和数据集的扩充，鱼类检测模型有望实现更高的检测精度和鲁棒性。结合多模态传感器和更先进的计算方法，鱼类监测将逐步实现全自动化、实时化和多维度监控，为生态保护和渔业资源管理提供更强大的技术支持。