據(jù)集實戰(zhàn)：從標注解析到訓(xùn)練調(diào)優(yōu)避坑)
簡介這份YOLO船舶目標檢測數(shù)據(jù)集面向計算機視覺學(xué)習(xí)者與水面目標檢測開發(fā)者適用于需要快速驗證檢測算法、開展課程設(shè)計或科研實驗的場景。數(shù)據(jù)集已按train、val、test完成劃分并附帶data.yaml配置文件類別僅含boat一類yolov5、yolov7、yolov8等主流框架可直接讀取訓(xùn)練省去自行標注與整理目錄的繁瑣工作。壓縮包共2000個文件以1817個txt標注文件、178張jpg圖像和5個yaml配置為主整體約114.65MB標注與圖像一一對應(yīng)便于直接投入訓(xùn)練與評估。目前已有1523人學(xué)習(xí)下載配套博文還提供了檢測結(jié)果參考方便對照模型表現(xiàn)。內(nèi)容覆蓋皮劃艇、獨木舟、賽艇、冰川皮劃艇、摩托艇等多種水上場景樣本場景豐富有助于提升模型在不同水域環(huán)境下的泛化能力適合作為船舶檢測任務(wù)的入門與進階實踐素材。1. 拆開 yolo-boat-detect-dataset-1.zip船舶檢測數(shù)據(jù)集到底裝了什么拿到y(tǒng)olo-boat-detect-dataset-1.zip這個包第一反應(yīng)不該是解壓完直接train.py開跑而是先搞清楚它屬于哪一類船舶目標檢測數(shù)據(jù)集。內(nèi)河航道監(jiān)控、港口靠泊管理、近海執(zhí)法取證這些場景里船是唯一主體但船的尺度跨度極大——遠洋貨輪在畫面里可能只占幾十像素近處漁船又能撐滿半屏加上水面反光、船尾浪花、橋墩遮擋通用 COCO 預(yù)訓(xùn)練權(quán)重直接遷移往往 mAP 掉得很難看。這個數(shù)據(jù)集的價值就在于把「船」這個類別單獨拎出來做密集標注省掉你自己從零標幾千張圖的功夫。它適合三類人做水域安防的算法工程師、拿 YOLO 做畢設(shè)的學(xué)生、以及想驗證自定義數(shù)據(jù)集訓(xùn)練流程的入門者。下面按「先看懂數(shù)據(jù)、再跑通訓(xùn)練、最后調(diào)優(yōu)避坑」的順序拆。2. 船舶數(shù)據(jù)集的結(jié)構(gòu)與標注格式先看懂再動手2.1 目錄布局與 YOLO 標注的對應(yīng)關(guān)系一個規(guī)范的 YOLO 格式船舶數(shù)據(jù)集解壓后通常長這樣images/train、images/val、labels/train、labels/val四個目錄外加一個data.yaml。圖片和標簽同名不同后綴0001.jpg對應(yīng)0001.txt。標簽文件每行五個字段class_id x_center y_center width height后四個都是歸一化到 0~1 的浮點數(shù)。船舶檢測如果只有「船」一類class_id恒為 0如果區(qū)分貨船、漁船、客船才會有 0/1/2。先別急著信目錄名用腳本統(tǒng)計一遍再下結(jié)論。import os, glob from collections import Counter root yolo-boat-detect-dataset-1 for split in [train, val]: imgs glob.glob(f{root}/images/{split}/*) lbls glob.glob(f{root}/labels/{split}/*.txt) print(f{split}: {len(imgs)} images, {len(lbls)} labels) cls_counter Counter() empty 0 for lp in lbls: with open(lp) as f: lines [l.strip() for l in f if l.strip()] if not lines: empty 1 for l in lines: cls_counter[int(l.split()[0])] 1 print(f class distribution: {dict(cls_counter)}, empty labels: {empty})這段腳本做三件事核對圖片與標簽數(shù)量是否一一對應(yīng)、統(tǒng)計每個類別的框數(shù)量、找出空標簽文件?？諛撕炘诖皵?shù)據(jù)集里很常見——純水面、純天空的負樣本圖它們不是臟數(shù)據(jù)反而能壓低誤檢率但數(shù)量超過 10% 就要警惕是不是標注漏了。類別分布嚴重傾斜比如某類只有幾十個框時訓(xùn)練時該類基本學(xué)不動得考慮合并類別或補充采樣。2.2 用可視化腳本驗證標注質(zhì)量數(shù)字統(tǒng)計看不出框偏沒偏必須把框畫回圖上。船舶標注最容易出的問題是框貼太緊切掉船頭船尾或者把浪花當成船體一部分框進去。抽 20 張圖疊框看一眼比看一百行統(tǒng)計有用。import cv2, glob, random root yolo-boat-detect-dataset-1 samples random.sample(glob.glob(f{root}/images/train/*.jpg), 20) for ip in samples: img cv2.imread(ip) h, w img.shape[:2] lp ip.replace(images, labels).rsplit(., 1)[0] .txt if os.path.exists(lp): for line in open(lp): c, x, y, bw, bh map(float, line.split()) x1, y1 int((x - bw/2)*w), int((y - bh/2)*h) x2, y2 int((x bw/2)*w), int((y bh/2)*h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(fvis_{os.path.basename(ip)}, img)x_center、y_center是框中心點歸一化坐標width、height是歸一化寬高反算回像素要先乘回w、h。畫出來重點看三種情況框是否完整包住船體、密集停泊時框有沒有互相嚴重重疊、小目標船的框是否小到只有幾個像素。如果發(fā)現(xiàn)大量框只框住船的一半說明標注規(guī)范不統(tǒng)一這種數(shù)據(jù)直接訓(xùn)練會讓模型學(xué)出「半條船」的特征驗證集 mAP 虛高但實際部署漏檢嚴重。2.3 data.yaml 里必須確認的三個字段data.yaml是訓(xùn)練入口字段寫錯訓(xùn)練直接報錯或靜默學(xué)錯類別。核心就三行train、val指向圖片目錄不是標簽?zāi)夸沶c是類別數(shù)names是類別名列表。常見翻車點是nc寫成 1 但names里列了三個類或者路徑用了絕對路徑換臺機器就找不到。建議統(tǒng)一改成相對路徑并在訓(xùn)練前用一行命令確認python -c import yaml; dyaml.safe_load(open(data.yaml)); print(d[nc], d[names], d[train])輸出里nc必須等于len(names)train路徑必須真實存在。這一步花十秒能省掉后面半小時的報錯排查。3. 用 YOLOv8 跑通船舶檢測訓(xùn)練從命令到參數(shù)3.1 環(huán)境準備與最小訓(xùn)練命令船舶數(shù)據(jù)集規(guī)模通常在幾千張量級單卡 8G 顯存足夠跑 YOLOv8n/s。環(huán)境用 conda 隔離裝 ultralytics 即可它會把 torch 一起帶上。不要手動去裝一堆版本對不上的依賴這是血淚經(jīng)驗。conda create -n boat python3.10 -y conda activate boat pip install ultralytics yolo detect train datadata.yaml modelyolov8s.pt epochs100 imgsize640 batch16modelyolov8s.pt是從 COCO 預(yù)訓(xùn)練權(quán)重起步船舶屬于 COCO 里的 boat 類遷移效果比從頭訓(xùn)好得多。imgsize640是默認值但如果你的數(shù)據(jù)集里小目標船占比高可以提到 960 或 1280代價是顯存和耗時上升。batch16在 8G 卡上跑 640 分辨率基本安全爆顯存就降到 8。epochs100對幾千張圖通常夠收斂看results.csv里 mAP 曲線平了就早停。3.2 關(guān)鍵參數(shù)怎么調(diào)以船舶場景為例船舶檢測有幾個參數(shù)和通用目標檢測不一樣。第一是imgsize內(nèi)河監(jiān)控里船可能只占 30 像素640 下縮到 15 像素以下基本學(xué)不到這種情況必須上 1280。第二是mosaic增強默認 1.0 開啟它把四張圖拼一張對小目標友好但船舶場景里水面背景高度相似mosaic 可能拼出不合邏輯的水天線建議后期關(guān)掉設(shè) 0再微調(diào)幾十輪。第三是conf閾值船舶誤檢代價高把浪花當船報警推理時conf可以設(shè)到 0.4~0.5比默認 0.25 更穩(wěn)。yolo detect train datadata.yaml modelyolov8s.pt epochs150 imgsize1280 batch8 mosaic0.5 close_mosaic20 conf0.4close_mosaic20表示最后 20 輪關(guān)閉 mosaic讓模型在真實分布上收尾這是提升最終精度的常用技巧。mosaic0.5是降低拼接概率不是完全關(guān)。這些值不是死的先按這套跑一版看results.csv再決定往哪調(diào)。3.3 訓(xùn)練過程看什么指標訓(xùn)練日志里重點盯三個box_loss、cls_loss、mAP50。box_loss降不下去說明框回歸有問題常見原因是標注框尺度差異太大或?qū)W習(xí)率過高。cls_loss震蕩說明類別不平衡或 batch 太小。mAP50是主指標船舶單類任務(wù)里它到 0.85 以上算可用0.9 以上算好。如果mAP50高但mAP50-95低說明框定位不夠準多半是標注框偏大或偏小。驗證集 mAP 漲、訓(xùn)練集 mAP 更高但差距拉大就是過擬合加數(shù)據(jù)增強或減模型容量。4. 船舶檢測的避坑與排查五條踩坑記錄4.1 現(xiàn)象訓(xùn)練 loss 正常但驗證 mAP 接近 0原因data.yaml里val路徑指向了標簽?zāi)夸浕蚩漳夸浤Ｐ驮隍炞C時讀不到圖指標自然為 0。解決確認val指向images/val且該目錄下圖片數(shù)量與標簽數(shù)量一致用第 2 章的統(tǒng)計腳本再跑一遍。4.2 現(xiàn)象小目標船全部漏檢原因imgsize太小小目標在特征圖上只剩一兩個像素anchor 或檢測頭根本覆蓋不到。解決把imgsize提到 1280同時檢查數(shù)據(jù)集里小目標框的寬高是否小于 8 像素小于這個值的框建議在標注階段就剔除或合并它們對訓(xùn)練是噪聲。4.3 現(xiàn)象水面反光被大量誤檢為船原因反光區(qū)域紋理和船體相似模型沒學(xué)到足夠負樣本。解決往訓(xùn)練集里補純水面、純反光的負樣本圖空標簽比例控制在 5%~10%同時推理時把conf提到 0.45 以上。4.4 現(xiàn)象換一臺機器訓(xùn)練報路徑錯誤原因data.yaml里寫了絕對路徑或者圖片和標簽的相對層級和腳本假設(shè)不一致。解決統(tǒng)一用相對路徑并在訓(xùn)練腳本開頭os.chdir到數(shù)據(jù)集根目錄避免路徑拼接歧義。4.5 現(xiàn)象訓(xùn)練到一半顯存爆了原因batch或imgsize設(shè)太大或者workers開太多導(dǎo)致內(nèi)存泄漏。解決先把batch減半imgsize不動還爆就把workers從 8 降到 4。船舶數(shù)據(jù)集圖片分辨率如果本身是 1920×1080imgsize1280時 batch 8 在 8G 卡上是安全線。5. 把船舶檢測推到可用驗證方法與一個提點技巧訓(xùn)練完拿到best.pt別只看驗證集 mAP 就上線。船舶場景的驗證要分場景做把測試集按「近景大船」「遠景小船」「密集停泊」「強反光」四類分開統(tǒng)計 mAP你會發(fā)現(xiàn)整體 0.88 的模型在遠景小船上可能只有 0.6。這種分場景評估才能暴露真實短板。推理時用yolo detect predict跑一批圖人工核對漏檢和誤檢各占多少漏檢多就補小目標數(shù)據(jù)誤檢多就補負樣本。一個實操提點技巧船舶檢測里「船」和「水面」的邊界往往模糊可以在推理后處理階段加一個簡單的長寬比過濾。貨船和漁船的長寬比通常在 2:1 到 6:1 之間如果檢測框接近正方形長寬比小于 1.5大概率是把浪花或浮標誤檢成了船直接過濾掉能降一批誤報。def filter_boxes(boxes, min_ratio1.5, max_ratio8.0): keep [] for b in boxes: x1, y1, x2, y2 b[:4] w, h x2 - x1, y2 - y1 ratio max(w, h) / (min(w, h) 1e-6) if min_ratio ratio max_ratio: keep.append(b) return keepmin_ratio和max_ratio要按你的實際船型調(diào)內(nèi)河小船可能更接近 2:1遠洋集裝箱船能到 6:1 以上。這個過濾放在 NMS 之后、業(yè)務(wù)邏輯之前代價幾乎為零但能明顯壓低誤報。我自己做水域項目時習(xí)慣在模型上線前先跑一周的離線視頻把誤檢幀全部截出來看規(guī)律往往能發(fā)現(xiàn)模型在特定光照或特定碼頭背景下有系統(tǒng)性偏差這種偏差靠調(diào)參解決不了只能補數(shù)據(jù)。數(shù)據(jù)集和模型都是半成品真正決定能不能用的是你對場景的理解。希望幫到你。本文還有配套的精品資源點擊獲取 YOLO船舶檢測數(shù)據(jù)集實戰(zhàn)：從標注解析到訓(xùn)練調(diào)優(yōu)避坑
簡介這份YOLO船舶目標檢測數(shù)據(jù)集面向計算機視覺學(xué)習(xí)者與水面目標檢測開發(fā)者適用于需要快速驗證檢測算法、開展課程設(shè)計或科研實驗的場景。數(shù)據(jù)集已按train、val、test完成劃分并附帶data.yaml配置文件類別僅含boat一類yolov5、yolov7、yolov8等主流框架可直接讀取訓(xùn)練省去自行標注與整理目錄的繁瑣工作。壓縮包共2000個文件以1817個txt標注文件、178張jpg圖像和5個yaml配置為主整體約114.65MB標注與圖像一一對應(yīng)便于直接投入訓(xùn)練與評估。目前已有1523人學(xué)習(xí)下載配套博文還提供了檢測結(jié)果參考方便對照模型表現(xiàn)。內(nèi)容覆蓋皮劃艇、獨木舟、賽艇、冰川皮劃艇、摩托艇等多種水上場景樣本場景豐富有助于提升模型在不同水域環(huán)境下的泛化能力適合作為船舶檢測任務(wù)的入門與進階實踐素材。1. 拆開 yolo-boat-detect-dataset-1.zip船舶檢測數(shù)據(jù)集到底裝了什么拿到y(tǒng)olo-boat-detect-dataset-1.zip這個包第一反應(yīng)不該是解壓完直接train.py開跑而是先搞清楚它屬于哪一類船舶目標檢測數(shù)據(jù)集。內(nèi)河航道監(jiān)控、港口靠泊管理、近海執(zhí)法取證這些場景里船是唯一主體但船的尺度跨度極大——遠洋貨輪在畫面里可能只占幾十像素近處漁船又能撐滿半屏加上水面反光、船尾浪花、橋墩遮擋通用 COCO 預(yù)訓(xùn)練權(quán)重直接遷移往往 mAP 掉得很難看。這個數(shù)據(jù)集的價值就在于把「船」這個類別單獨拎出來做密集標注省掉你自己從零標幾千張圖的功夫。它適合三類人做水域安防的算法工程師、拿 YOLO 做畢設(shè)的學(xué)生、以及想驗證自定義數(shù)據(jù)集訓(xùn)練流程的入門者。下面按「先看懂數(shù)據(jù)、再跑通訓(xùn)練、最后調(diào)優(yōu)避坑」的順序拆。2. 船舶數(shù)據(jù)集的結(jié)構(gòu)與標注格式先看懂再動手2.1 目錄布局與 YOLO 標注的對應(yīng)關(guān)系一個規(guī)范的 YOLO 格式船舶數(shù)據(jù)集解壓后通常長這樣images/train、images/val、labels/train、labels/val四個目錄外加一個data.yaml。圖片和標簽同名不同后綴0001.jpg對應(yīng)0001.txt。標簽文件每行五個字段class_id x_center y_center width height后四個都是歸一化到 0~1 的浮點數(shù)。船舶檢測如果只有「船」一類class_id恒為 0如果區(qū)分貨船、漁船、客船才會有 0/1/2。先別急著信目錄名用腳本統(tǒng)計一遍再下結(jié)論。import os, glob from collections import Counter root yolo-boat-detect-dataset-1 for split in [train, val]: imgs glob.glob(f{root}/images/{split}/*) lbls glob.glob(f{root}/labels/{split}/*.txt) print(f{split}: {len(imgs)} images, {len(lbls)} labels) cls_counter Counter() empty 0 for lp in lbls: with open(lp) as f: lines [l.strip() for l in f if l.strip()] if not lines: empty 1 for l in lines: cls_counter[int(l.split()[0])] 1 print(f class distribution: {dict(cls_counter)}, empty labels: {empty})這段腳本做三件事核對圖片與標簽數(shù)量是否一一對應(yīng)、統(tǒng)計每個類別的框數(shù)量、找出空標簽文件?？諛撕炘诖皵?shù)據(jù)集里很常見——純水面、純天空的負樣本圖它們不是臟數(shù)據(jù)反而能壓低誤檢率但數(shù)量超過 10% 就要警惕是不是標注漏了。類別分布嚴重傾斜比如某類只有幾十個框時訓(xùn)練時該類基本學(xué)不動得考慮合并類別或補充采樣。2.2 用可視化腳本驗證標注質(zhì)量數(shù)字統(tǒng)計看不出框偏沒偏必須把框畫回圖上。船舶標注最容易出的問題是框貼太緊切掉船頭船尾或者把浪花當成船體一部分框進去。抽 20 張圖疊框看一眼比看一百行統(tǒng)計有用。import cv2, glob, random root yolo-boat-detect-dataset-1 samples random.sample(glob.glob(f{root}/images/train/*.jpg), 20) for ip in samples: img cv2.imread(ip) h, w img.shape[:2] lp ip.replace(images, labels).rsplit(., 1)[0] .txt if os.path.exists(lp): for line in open(lp): c, x, y, bw, bh map(float, line.split()) x1, y1 int((x - bw/2)*w), int((y - bh/2)*h) x2, y2 int((x bw/2)*w), int((y bh/2)*h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(fvis_{os.path.basename(ip)}, img)x_center、y_center是框中心點歸一化坐標width、height是歸一化寬高反算回像素要先乘回w、h。畫出來重點看三種情況框是否完整包住船體、密集停泊時框有沒有互相嚴重重疊、小目標船的框是否小到只有幾個像素。如果發(fā)現(xiàn)大量框只框住船的一半說明標注規(guī)范不統(tǒng)一這種數(shù)據(jù)直接訓(xùn)練會讓模型學(xué)出「半條船」的特征驗證集 mAP 虛高但實際部署漏檢嚴重。2.3 data.yaml 里必須確認的三個字段data.yaml是訓(xùn)練入口字段寫錯訓(xùn)練直接報錯或靜默學(xué)錯類別。核心就三行train、val指向圖片目錄不是標簽?zāi)夸沶c是類別數(shù)names是類別名列表。常見翻車點是nc寫成 1 但names里列了三個類或者路徑用了絕對路徑換臺機器就找不到。建議統(tǒng)一改成相對路徑并在訓(xùn)練前用一行命令確認python -c import yaml; dyaml.safe_load(open(data.yaml)); print(d[nc], d[names], d[train])輸出里nc必須等于len(names)train路徑必須真實存在。這一步花十秒能省掉后面半小時的報錯排查。3. 用 YOLOv8 跑通船舶檢測訓(xùn)練從命令到參數(shù)3.1 環(huán)境準備與最小訓(xùn)練命令船舶數(shù)據(jù)集規(guī)模通常在幾千張量級單卡 8G 顯存足夠跑 YOLOv8n/s。環(huán)境用 conda 隔離裝 ultralytics 即可它會把 torch 一起帶上。不要手動去裝一堆版本對不上的依賴這是血淚經(jīng)驗。conda create -n boat python3.10 -y conda activate boat pip install ultralytics yolo detect train datadata.yaml modelyolov8s.pt epochs100 imgsize640 batch16modelyolov8s.pt是從 COCO 預(yù)訓(xùn)練權(quán)重起步船舶屬于 COCO 里的 boat 類遷移效果比從頭訓(xùn)好得多。imgsize640是默認值但如果你的數(shù)據(jù)集里小目標船占比高可以提到 960 或 1280代價是顯存和耗時上升。batch16在 8G 卡上跑 640 分辨率基本安全爆顯存就降到 8。epochs100對幾千張圖通常夠收斂看results.csv里 mAP 曲線平了就早停。3.2 關(guān)鍵參數(shù)怎么調(diào)以船舶場景為例船舶檢測有幾個參數(shù)和通用目標檢測不一樣。第一是imgsize內(nèi)河監(jiān)控里船可能只占 30 像素640 下縮到 15 像素以下基本學(xué)不到這種情況必須上 1280。第二是mosaic增強默認 1.0 開啟它把四張圖拼一張對小目標友好但船舶場景里水面背景高度相似mosaic 可能拼出不合邏輯的水天線建議后期關(guān)掉設(shè) 0再微調(diào)幾十輪。第三是conf閾值船舶誤檢代價高把浪花當船報警推理時conf可以設(shè)到 0.4~0.5比默認 0.25 更穩(wěn)。yolo detect train datadata.yaml modelyolov8s.pt epochs150 imgsize1280 batch8 mosaic0.5 close_mosaic20 conf0.4close_mosaic20表示最后 20 輪關(guān)閉 mosaic讓模型在真實分布上收尾這是提升最終精度的常用技巧。mosaic0.5是降低拼接概率不是完全關(guān)。這些值不是死的先按這套跑一版看results.csv再決定往哪調(diào)。3.3 訓(xùn)練過程看什么指標訓(xùn)練日志里重點盯三個box_loss、cls_loss、mAP50。box_loss降不下去說明框回歸有問題常見原因是標注框尺度差異太大或?qū)W習(xí)率過高。cls_loss震蕩說明類別不平衡或 batch 太小。mAP50是主指標船舶單類任務(wù)里它到 0.85 以上算可用0.9 以上算好。如果mAP50高但mAP50-95低說明框定位不夠準多半是標注框偏大或偏小。驗證集 mAP 漲、訓(xùn)練集 mAP 更高但差距拉大就是過擬合加數(shù)據(jù)增強或減模型容量。4. 船舶檢測的避坑與排查五條踩坑記錄4.1 現(xiàn)象訓(xùn)練 loss 正常但驗證 mAP 接近 0原因data.yaml里val路徑指向了標簽?zāi)夸浕蚩漳夸浤Ｐ驮隍炞C時讀不到圖指標自然為 0。解決確認val指向images/val且該目錄下圖片數(shù)量與標簽數(shù)量一致用第 2 章的統(tǒng)計腳本再跑一遍。4.2 現(xiàn)象小目標船全部漏檢原因imgsize太小小目標在特征圖上只剩一兩個像素anchor 或檢測頭根本覆蓋不到。解決把imgsize提到 1280同時檢查數(shù)據(jù)集里小目標框的寬高是否小于 8 像素小于這個值的框建議在標注階段就剔除或合并它們對訓(xùn)練是噪聲。4.3 現(xiàn)象水面反光被大量誤檢為船原因反光區(qū)域紋理和船體相似模型沒學(xué)到足夠負樣本。解決往訓(xùn)練集里補純水面、純反光的負樣本圖空標簽比例控制在 5%~10%同時推理時把conf提到 0.45 以上。4.4 現(xiàn)象換一臺機器訓(xùn)練報路徑錯誤原因data.yaml里寫了絕對路徑或者圖片和標簽的相對層級和腳本假設(shè)不一致。解決統(tǒng)一用相對路徑并在訓(xùn)練腳本開頭os.chdir到數(shù)據(jù)集根目錄避免路徑拼接歧義。4.5 現(xiàn)象訓(xùn)練到一半顯存爆了原因batch或imgsize設(shè)太大或者workers開太多導(dǎo)致內(nèi)存泄漏。解決先把batch減半imgsize不動還爆就把workers從 8 降到 4。船舶數(shù)據(jù)集圖片分辨率如果本身是 1920×1080imgsize1280時 batch 8 在 8G 卡上是安全線。5. 把船舶檢測推到可用驗證方法與一個提點技巧訓(xùn)練完拿到best.pt別只看驗證集 mAP 就上線。船舶場景的驗證要分場景做把測試集按「近景大船」「遠景小船」「密集停泊」「強反光」四類分開統(tǒng)計 mAP你會發(fā)現(xiàn)整體 0.88 的模型在遠景小船上可能只有 0.6。這種分場景評估才能暴露真實短板。推理時用yolo detect predict跑一批圖人工核對漏檢和誤檢各占多少漏檢多就補小目標數(shù)據(jù)誤檢多就補負樣本。一個實操提點技巧船舶檢測里「船」和「水面」的邊界往往模糊可以在推理后處理階段加一個簡單的長寬比過濾。貨船和漁船的長寬比通常在 2:1 到 6:1 之間如果檢測框接近正方形長寬比小于 1.5大概率是把浪花或浮標誤檢成了船直接過濾掉能降一批誤報。def filter_boxes(boxes, min_ratio1.5, max_ratio8.0): keep [] for b in boxes: x1, y1, x2, y2 b[:4] w, h x2 - x1, y2 - y1 ratio max(w, h) / (min(w, h) 1e-6) if min_ratio ratio max_ratio: keep.append(b) return keepmin_ratio和max_ratio要按你的實際船型調(diào)內(nèi)河小船可能更接近 2:1遠洋集裝箱船能到 6:1 以上。這個過濾放在 NMS 之后、業(yè)務(wù)邏輯之前代價幾乎為零但能明顯壓低誤報。我自己做水域項目時習(xí)慣在模型上線前先跑一周的離線視頻把誤檢幀全部截出來看規(guī)律往往能發(fā)現(xiàn)模型在特定光照或特定碼頭背景下有系統(tǒng)性偏差這種偏差靠調(diào)參解決不了只能補數(shù)據(jù)。數(shù)據(jù)集和模型都是半成品真正決定能不能用的是你對場景的理解。希望幫到你。本文還有配套的精品資源點擊獲取