前言
舰船分类检测 在航运和海洋监测领域有着重要的应用价值。通过使用YOLOv8等先进的深度学习模型，该系统可以准确地识别和分类不同类型的舰船，具有良好的实用性和广泛的应用前景。
首先，舰船分类检测系统在海上交通管理和安全监控中具有重要意义。通过对海上船只进行分类与识别，可以实现对航行中的不同类型舰船的监控和管控，提高海上交通管理的效率和安全性。同时，系统还能及时发现异常船只，如非法船只和非法钓鱼船等，对于保障海上安全和维护海上秩序起到至关重要的作用。
其次，舰船分类检测系统也可应用于海洋环境监测和海洋科研领域。通过对海上舰船的分类检测，可以为海洋资源开发、环境保护、海洋生态研究等提供支持和数据基础。例如，可以利用系统对渔船、货船、油船等不同类型舰船的识别，进行海上资源利用的监测和评估，为海洋环境保护和管理提供科学依据。
此外，舰船分类检测系统还可用于海事救助和应急响应领域。系统能够在海上事故和灾害事件中，通过及时识别和分类不同类型舰船，提供重要的数据支持和信息反馈，为海上救援行动和应急响应提供及时准确的参考。
综上所述，舰船分类检测系统在海上交通管理、海洋环境监测、海洋科研和海事救助等领域具有广泛的应用场景，为提升海上管理和安全、完善海洋保护与生态环境管理，具有重要的实用价值和社会意义。
博主通过搜集不同类型舰船的相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的舰船目标分类检测系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。
软件初始界面如下图所示：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行10种不同类型舰船分类检测，分别为['航空母舰', '散货船', '汽车运输船', '集装箱船', '游轮', '驱逐舰', '休闲船', '帆船', '潜艇', '拖船']；
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；
（1）图片检测演示
点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下：
批量图片检测操作如下：
（2）视频检测演示
点击视频图标，打开选择需要检测的视频，就会自动显示检测结果。点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
（3）摄像头检测演示
点击摄像头图标，可以打开摄像头，可以实时进行检测，再次点击摄像头图标，可关闭摄像头。
（4）保存图片与视频检测结果
点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
其主要网络结构如下：
2. 数据集准备与训练
通过网络上搜集关于不同类型舰船的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含8476张图片，其中训练集包含7406张图片，验证集包含689张图片，测试集包含381张图片部分图像及标注如下图所示。
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将跌倒检测的图片分为训练集与验证集放入ShipData目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
train: E:\MyCVProgram\ShipDetection\datasets\ShipData\train val: E:\MyCVProgram\ShipDetection\datasets\ShipData\valid test: E:\MyCVProgram\ShipDetection\datasets\ShipData\test nc: 10 names: ['AircraftCarrier', 'Bulkers', 'CarCarrier', 'ContainerShip', 'Cruise', 'DDG', 'Recreational', 'Sailboat', 'Submarine', 'Tug']
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
# 加载模型 model = YOLO("yolov8n.pt") # 加载预训练模型 # Use the model if __name__ == '__main__': # Use the model results = model.train(data='datasets/ShipData/data.yaml', epochs=250, batch=4) # 训练模型 # 将模型转为onnx格式 # success = model.export(format='onnx')
3. 训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
本文训练结果如下：
我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型10类目标识别的mAP@0.5平均值为0.982，结果是非常不错的。
4. 检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：
# 所需加载的模型目录 path = 'models/best.pt' # 需要检测的图片地址 img_path = "TestFiles/ANDROMEDA-SPIRIT_jpg.rf.ac983fbdb5142eb24fdcf312bca604aa.jpg" # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model = YOLO(path, task='detect') # model = YOLO(path, task='detect',conf=0.5) # 检测图片 results = model(img_path) res = results[0].plot() cv2.imshow("YOLOv8 Detection", res) cv2.waitKey(0)
执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
以上便是关于此款舰船目标分类检测系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。
