基于yolov8的水下生物目标检测（一）

一、常用水下目标检测数据集

开源水下图像DUO[1]数据集包含7782张精确标记的图像，其中6671张用于训练，1111张用于测试。下图为DUO数据集的一些示例，数据集包括四种典型的水产养殖生物。DUO数据集中的图像呈现出色偏、低对比度、光照不均匀、模糊和高噪声等典型水下图像特点，为准确检测不同的水产养殖生物带来一定挑战，同时很大程度体现真实海洋环境检测目标面临的问题。

其次，在水下目标检测中常用的数据集还包括RUOD[2]，RUOD数据集是一个广泛涵盖多种水下检测挑战的数据集，其中包括了丰富的目标类别标记，如：鱼、潜水员、海星、珊瑚、海龟、海胆、海参、扇贝、鱿鱼以及水母共十个类别。除了提供标准的训练集和测试集，RUOD数据集还设计了三个针对不同环境的测试集，即针对雾效应、色偏以及光干扰的测试集。这样的设计使得RUOD数据集能够从不同角度全面而地评估检测器的性能。

还包括URPC 系列水下目标检测数据集等等，这些多为水下生物2D目标检测常用数据集。近年来开源的还有包含深度信息的数据集。

二、YOLOv8

1. YOLOv8是基于YOLO架构的一阶段目标检测SOTA模型，包括输入图像640和1280分辨率的目标检测网络模型。其网络结构通过改变通道宽度和网络深度提供了不同量级模型，用于满足不同任务的需求。
2. 该模型骨干网络和Neck部分参考了YOLOv7 ELAN设计思想，采用了C2f结构，并删除了YOLOv5中对网络性能影响不大的结构块。
3. 在模型的检测头部分采用解耦检测头，将分类分支和回归分支分离，同时也从Anchor-Based换成了Anchor-Free结构。
4. 在损失函数计算部分采用了正样本分配策略(Task Aligned Assigner)，并引入了 Distribution Focal Loss促进模型在训练过程中更好地收敛。

   

[1] Liu et al., ‘A Dataset and Benchmark of Underwater Object Detection for Robot Picking’, in 2021 IEEE International Conference on Multimedia & Expo Workshops (ICMEW), Shenzhen, China: IEEE, Jul. 2021, pp. 1–6. doi: 10.1109/ICMEW53276.2021.9455997.
[2] Fu et al., ‘Rethinking general underwater object detection: Datasets, challenges, and solutions’, Neurocomputing, vol. 517, pp. 243–256, Jan. 2023, doi: 10.1016/j.neucom.2022.10.039.