红外船舶数据集

红外船舶数据集，一共8002张jpg图片，包含txt和xml标注格式。

该数据库记录包含了多个不同场景下、不同时段、不同分辨率的海上、港口和海边上的邮轮、散货船、军舰、帆船、皮划艇 、集装箱船、渔船目标。图像分辨率分别为：384*288、640*512、1280*1024，对图像中的七类船舶目标liner、bulk carrier、warship、sailboat、canoe、container ship、fishing boat进行了标注，该数据库将其主要用于真实世界红外海防领域的目标检测识别技术研究。

红外船舶数据集（Infrared Vessel Detection Dataset）

数据集概述

该数据集专注于红外成像技术在船舶目标检测识别中的应用，包含8002张不同分辨率的红外图像，涵盖了多种类型的船舶目标，如邮轮、散货船、军舰、帆船、皮划艇、集装箱船和渔船。数据集中的图像记录了多个不同场景下、不同时段和不同分辨率的情况，适合用于训练和评估在真实世界红外海防领域中的目标检测模型。

数据集特点

• 多场景覆盖：数据集中的图像来源于多种场景，包括海上、港口和海边等。
• 时间多样性：涵盖了不同时段的红外图像，包括白天、夜晚以及各种天气条件下的拍摄。
• 多分辨率：图像分辨率包括384288、640512、1280*1024三种，适应不同的硬件设备和应用需求。
• 详尽标注：每张图像均配有详细的标注信息，包括txt和xml两种格式，便于模型训练和验证。
• 目标种类丰富：涵盖了七种不同的船舶目标，包括liner（邮轮）、bulk carrier（散货船）、warship（军舰）、sailboat（帆船）、canoe（皮划艇）、container ship（集装箱船）、fishing boat（渔船）。

数据集构成

• 图像数量：8002张红外图像
• 目标种类：
  • liner（邮轮）
  • bulk carrier（散货船）
  • warship（军舰）
  • sailboat（帆船）
  • canoe（皮划艇）
  • container ship（集装箱船）
  • fishing boat（渔船）
• 标注格式：txt和xml两种格式
• 
• 图像分辨率：
  • 384*288
  • 640*512
  • 1280*1024
• 数据划分：
  • 训练集：约6400张图像
  • 验证集：约800张图像
  • 测试集：约800张图像

数据集用途

• 目标检测：可用于训练和评估红外图像中的船舶目标检测模型。
• 海防应用：适用于海上安全监控、港口管理等领域的红外目标检测技术研究。
• 全天候监测：由于红外图像不受光线条件限制，该数据集特别适合用于全天候的船舶检测研究。
• 多分辨率支持：不同的分辨率图像适应于不同场景下的应用需求，如远距离探测或近距离细节观察。
• 研究与开发：作为基准数据集，支持学术研究和技术开发，促进红外成像技术在船舶检测领域的进步。
• 教育与培训：作为教学资源，帮助学生和从业人员理解并掌握红外成像技术在船舶检测中的应用。

示例代码

以下是一个简单的Python脚本示例，用于加载数据集中的一张图像及其对应的标注文件，并绘制出标注的目标框：

1import os
2import cv2
3import numpy as np
4import matplotlib.pyplot as plt
5from xml.etree import ElementTree as ET
6
7# 数据集目录路径
8data_dir = 'path/to/infrared_vessel_detection_dataset'
9train_image_dir = os.path.join(data_dir, 'images/train')
10train_label_dir = os.path.join(data_dir, 'annotations/xmls/train')
11
12# 选取一张图像及其标签文件
13image_files = os.listdir(train_image_dir)
14image_file = image_files[0]  # 假设取第一张图
15image_path = os.path.join(train_image_dir, image_file)
16
17label_file = os.path.splitext(image_file)[0] + '.xml'
18label_path = os.path.join(train_label_dir, label_file)
19
20# 加载图像
21image = cv2.imread(image_path)
22
23# 解析XML标签文件
24tree = ET.parse(label_path)
25root = tree.getroot()
26
27objects = []
28for obj in root.findall('object'):
29    name = obj.find('name').text
30    bbox = obj.find('bndbox')
31    xmin = int(bbox.find('xmin').text)
32    ymin = int(bbox.find('ymin').text)
33    xmax = int(bbox.find('xmax').text)
34    ymax = int(bbox.find('ymax').text)
35    objects.append([name, xmin, ymin, xmax, ymax])
36
37# 绘制图像和边界框
38plt.figure(figsize=(10, 10))
39plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
40plt.axis('off')
41
42colors = {'liner': 'red', 'bulk_carrier': 'blue', 'warship': 'green', 
43          'sailboat': 'yellow', 'canoe': 'orange', 'container_ship': 'purple', 
44          'fishing_boat': 'cyan'}
45
46for obj in objects:
47    name, xmin, ymin, xmax, ymax = obj
48    plt.gca().add_patch(plt.Rectangle((xmin, ymin), xmax - xmin, ymax - ymin, edgecolor=colors[name], facecolor='none'))
49    plt.text(xmin, ymin, name, color=colors[name], fontsize=8)
50
51plt.show()

引用出处

为了确保正确引用该数据集，请查看原始数据集发布者的具体要求。如果该数据集来自某个特定的研究项目或竞赛，引用格式可能类似于以下示例：

1@misc{dataset_paper,
2  title={Title of the Data Set},
3  author={Author Names},
4  year={Publication Year},
5  publisher={Publishing Institution},
6  url={URL of the data set}
7}

总结

红外船舶数据集为红外成像技术在船舶目标检测识别领域的研究提供了强有力的支持。通过使用该数据集训练的模型，可以有效地识别不同场景下的各种船舶目标，无论是在海上、港口还是海边，无论是在白天还是黑夜。这对于提高海上安全监控水平、加强港口管理和保障航行安全都具有重要意义。无论是对于研究机构还是工业应用，该数据集都是一个宝贵的研究资源。