如何使用yolov8模型训练无人机海上目标检测数据集 通过训练的无人机航拍海面目标检测数据集模型，建立深度学习无人机海上人员船只的检测系统

如何使用yolov8模型训练无人机海上目标检测数据集 通过训练的无人机航拍海面目标检测数据集模型，建立深度学习无人机海上人员船只的检测系统

以下为代码示例，仅供参考学习。

以下文字及代码仅供参考学习。
无人机海上目标检测数据集，无人机航拍海面数据集

使用yolo训练
yolo格式
训练集：8930张
验证集：1547张
测试集：3750张
类别：[‘ignore’, ‘swimmer’, ‘boat’, ‘jetski’, ‘life_saving_appliances’, ‘buoy’]

基于 SeaDroneSee v2 航拍海上目标检测数据集（YOLO 格式）的完整训练与部署指南，涵盖从数据准备、环境搭建、模型训练、推理到性能评估的全流程。可适用于 YOLOv5 / YOLOv8。

---

🌊 一、数据集介绍

• 数据格式：YOLO TXT + JPG 图像
• 类别数量：6类

  ['ignore', 'swimmer', 'boat', 'jetski', 'life_saving_appliances', 'buoy']
  

• 划分情况：
  • 训练集：8930 张
  • 验证集：1547 张
  • 测试集：3750 张
• 总图像数：14227 张

---

📁 二、目录结构要求（YOLO 可兼容）

SeaDroneSee_v2/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

---

🧾 三、创建 data.yaml 文件

train: ./images/train
val: ./images/val
test: ./images/test

nc: 6  # 类别数量
names: ['ignore', 'swimmer', 'boat', 'jetski', 'life_saving_appliances', 'buoy']

---

🔧 四、环境搭建（YOLOv8）

1. 安装依赖

# 创建虚拟环境（可选）
python -m venv yolo_env
source yolo_env/bin/activate  # Windows: yolo_env\Scripts\activate

# 安装 ultralytics 和 OpenCV
pip install ultralytics opencv-python-headless

---

📦 五、模型选择与训练

推荐使用 YOLOv8 模型系列：Yolov8系列模型差异比较

模型	特点
yolov8n.pt	小模型，适合边缘设备
yolov8s.pt	中等大小，精度和速度平衡
yolov8m.pt	精度更高，适合 GPU
yolov8l.pt / yolov8x.pt	更大模型，精度最高

开始训练

yolo task=detect mode=train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=16 workers=4

参数说明：

• model: 使用预训练模型（如 yolov8s.pt）
• data: 数据配置文件路径
• epochs: 总训练轮次
• imgsz: 输入图像尺寸（推荐640或1280）
• batch: 批量大小（根据GPU内存调整）
• workers: 数据加载线程数

---

📊 六、性能评估（验证集）

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml

输出指标包括：

• mAP@0.5
• mAP@0.5:0.95
• Precision, Recall
• FPS（帧率）

---

🎥 七、模型推理与部署

1. 单图推理

from ultralytics import YOLO

model = YOLO('runs/detect/train/weights/best.pt')
results = model('path/to/image.jpg')

for r in results:
    im_array = r.plot()
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()

2. 视频流实时检测（无人机航拍）

import cv2

def detect_video(video_path):
    cap = cv2.VideoCapture(video_path)
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        results = model(frame)
        annotated_frame = results[0].plot()
        cv2.imshow("Marine Object Detection", annotated_frame)
        if cv2.waitKey(1) == ord("q"):
            break
    cap.release()
    cv2.destroyAllWindows()

detect_video(0)  # 0 表示摄像头；也可以传入视频路径

3. 批量预测整个文件夹

yolo task=detect mode=predict model=best.pt source="path/to/images" save=True

---

🚀 八、模型导出为 ONNX / TensorRT / OpenVINO

导出为 ONNX 格式

yolo export model=best.pt format=onnx

导出为 TensorRT（需 NVIDIA Jetson）

yolo export model=best.pt format=engine device=0  # device=0 表示使用GPU

导出为 OpenVINO（用于 Intel 设备）

yolo export model=best.pt format=openvino

---

📁 九、测试集批量评估（自定义脚本）

如果你想对测试集进行批量评估并统计结果：

import os
from ultralytics import YOLO

model = YOLO('best.pt')
test_dir = './images/test'
label_dir = './labels/test'

results = []
for img_file in os.listdir(test_dir):
    if img_file.endswith('.jpg'):
        img_path = os.path.join(test_dir, img_file)
        result = model(img_path)[0]
        results.append(result)

# 可视化部分结果
for res in results[:5]:
    res.show()

---

🧱 十、Docker 部署建议

Dockerfile 示例

FROM python:3.10
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD ["python", "inference.py"]

构建镜像

docker build -t sea_drone_yolo .

运行容器

docker run -it --rm -v $(pwd)/data:/app/data sea_drone_yolo

---

以上文字及代码仅供参考学习。