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_seadronessee数据集的yolo格式
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。
文章目录
-
- 🌊 一、数据集介绍
- 📁 二、目录结构要求（YOLO 可兼容）
- 🧾 三、创建 `data.yaml` 文件
- 🔧 四、环境搭建（YOLOv8）
-
- 1. 安装依赖
- 📦 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
- 开始训练
- 📊 六、性能评估（验证集）
- 🎥 七、模型推理与部署
-
- 1. 单图推理
- 2. 视频流实时检测（无人机航拍）
- 3. 批量预测整个文件夹
- 🚀 八、模型导出为 ONNX / TensorRT / OpenVINO
-
- 导出为 ONNX 格式
- 导出为 TensorRT（需 NVIDIA Jetson）
- 导出为 OpenVINO（用于 Intel 设备）
- 📁 九、测试集批量评估（自定义脚本）
- 🧱 十、Docker 部署建议
-
- Dockerfile 示例
- 构建镜像
- 运行容器
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/trainval: ./images/valtest: ./images/testnc: 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_envsource yolo_env/bin/activate # Windows: yolo_env\\Scripts\\activate# 安装 ultralytics 和 OpenCVpip 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
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 YOLOmodel = 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 cv2def 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 osfrom ultralytics import YOLOmodel = 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:3.10WORKDIR /appCOPY . .RUN pip install -r requirements.txtCMD [\"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。
