Hello，大家好，我是augustqi。今天给大家分享的目标检测项目是：基于yolov5海上船舶目标检测(附代码和数据集)
Part1 前言
传统的海上目标检测是通过雷达来实现，但是随着技术的发展，各种隐形涂料的船舰层出不穷，通过雷达进行目标探测受到了很大的限制。基于深度学习的目标检测方法，可以和雷达探测方法进行结合，从而实现更精准的目标识别。
Part 2 准备环节
2.1 软硬件
一个完整的项目，离不开软硬件的支持，本次项目核心配置如下：
| 内容 | 详情 |
| 系统 | Ubuntu 20.04 |
| 显卡 | Tesla P100 |
| CUDA版本 | 11.2 |
| CUDNN版本 | 8.1.1 |
| torch版本 | 1.8.1 |
2.2 数据集
本次项目使用的数据集总体情况：
| 类型 | 数量 |
| 图片 | 7000 |
| xml | 7000 |
数据集中包含的类别以及每类的数量：
| 类别 | 目标数量 |
| ore carrier | 2199 |
| passenger ship | 474 |
| container ship | 901 |
| bulk cargo carrier | 1952 |
| general cargo ship | 1505 |
| fishing boat | 2199 |
使用labelimg或者其他标注工具查看数据：
编辑
将数据集划分为训练集和验证集：
编辑
将7000张图片放在VOCdevkit/VOC2007/JPEGImages目录下，将7000张xml文件放在VOCdevkit/VOC2007/Annotations目录下，使用脚本代码划分得到训练集5600张，验证集1400张，其中images和labels文件夹是运行脚本代码自动生成的。获取划分数据集的脚本代码prepare_train_val.py：
https://blog.csdn.net/AugustMe/article/details/127320880
Part 3 训练模型
代码结构如下：
编辑
| 文件 | 功能 |
| data | 数据集配置 |
| models | 模型配置 |
| runs | 存放训练结果 |
| utils | 存放工具类函数 |
| VOCdevkit | 存放数据集 |
| weights | 存放预训练权重 |
| detect.py | 检测脚本 |
| train.py | 训练脚本 |
| export.py | 模型转换脚本 |
| val.py | 验证脚本 |
| prepare_train_val.py | 划分数据集的脚本 |
| hubconf.py | pytorch hub相关代码 |
| requirements.txt | 存放项目依赖库的版本信息 |
本次项目使用yolov5训练一个海上船舶检测模型，yolov5代码的下载和环境配置请看微信公众号AIexplore之前发布的文章。
3.1 数据集配置
3.2 模型配置
Part 4 测试模型
使用detect.py加载训练好的模型，对验证集上的图片进行测试，这里放一部分验证集上的检测结果：
编辑
Part 5 结果分析
本项目使用yolov5训练了一个海上船舶目标检测模型，在2块Tesla P100显卡下训练了300 epoch，训练集和验证集上损失、精确率、召回率、mAP的变化图：
编辑
验证集上PR曲线：
编辑
Part 6 完整项目获取
https://blog.csdn.net/AugustMe/article/details/128111977
参考资料
[1]https://blog.csdn.net/AugustMe/article/details/127529441
[2]https://blog.csdn.net/AugustMe/article/details/127368318
[3]https://blog.csdn.net/AugustMe/article/details/127653996
[4]https://blog.csdn.net/See_Star/article/details/105820181
