深度学习目标检测算法YOLOV8模型训练 无人机钓鱼检测数据集 识别检测钓鱼者的检测识别 无人机河道河边垂钓检测数据集的训练及应用

深度学习目标检测算法YOLOV8模型训练 钓鱼检测数据集 识别检测钓鱼者的检测识别 河道河边垂钓检测数据集的训练及应用

文章目录

• • • **河道垂钓检测数据集信息表**
    • **数据集特点**
  • ✅ 一、环境搭建（CUDA + Anaconda + Python + 依赖）
  • • 1. 检查 CUDA 驱动
    • 2. 安装 Anaconda
    • 3. 创建 Python 虚拟环境
    • 4. 安装依赖项
  • 📂 二、数据集结构（你已划分好）
  • 📄 三、创建 `data.yaml` 文件
  • 🚀 四、训练代码（`train.py`）—— 使用 YOLOv8 官方预训练模型
  • 🔍 五、推理代码（`infer.py`）—— 检测钓鱼行为
  • 📊 六、评估代码（`evaluate.py`）—— 获取 mAP 等指标

河道河边垂钓钓鱼数据集，训练集941张，测试集验证集235张。
无人机采集数据，一类
垂钓场景数据集。YOLO目标检测

YOLO11 map50-95=0.57

河道垂钓检测数据集信息表

项目 内容 数据集名称 河道垂钓检测数据集 数据来源 无人机航拍采集 场景类型 河道、湖泊、溪流等自然水域垂钓场景 类别数量 1 类 类别标签 fishing（垂钓者/垂钓行为） 总图像数量 1,176 张 训练集数量 941 张 验证/测试集数量 235 张 图像质量 清晰，分辨率较高，适合目标检测任务 标注情况 个人精心标注，标注完整，无漏标、错标 标注格式 YOLO 格式 .txt 文件（每图一标，与图片一一对应） 适用任务 目标检测（Object Detection） 推荐模型 YOLOv5、YOLOv8、YOLOv11 等 YOLO 系列模型 模型性能（参考） YOLOv11 在该数据集上达到 mAP50-95 = 0.57 使用场景 水域管理、禁钓区域监控、智能巡检、生态保护等

---

数据集特点

特点 说明 ✅ 无人机视角 航拍视角覆盖广，适用于远距离监测垂钓行为 ✅ 单类高效检测 聚焦“垂钓”行为，适合构建轻量、高精度检测模型 ✅ 标注完整清晰 图像清晰，标注准确，可直接用于训练 ✅ 开箱即用 提供标准 YOLO 格式，兼容主流框架（Ultralytics 等） ✅ 实际应用价值高 可用于环保、水利、城市管理等地方的智能监管系统

---

你提供的 河道垂钓检测数据集 是合使用 YOLOv8 进行目标检测的场景：

• 数据清晰（无人机采集）
• 标注完整（单类别“fishing”）
• 已划分训练集（941张）和验证/测试集（235张）
• 适合部署在 河道监控、禁钓区域智能识别、城市管理 等场景

下面我将为你提供从 环境搭建 → 数据准备 → YOLOv8 训练 → 推理 → 评估 → 模型导出 的完整流程。

---

✅ 一、环境搭建（CUDA + Anaconda + Python + 依赖）

1. 检查 CUDA 驱动

nvidia-smi

• 确保 GPU 正常工作
• 推荐 CUDA 11.8 或 12.1

---

2. 安装 Anaconda

下载地址：https://www.anaconda.com/products/distribution

---

3. 创建 Python 虚拟环境

# 创建环境conda create -n fishing_detection python=3.9# 激活环境conda activate fishing_detection

---

4. 安装依赖项

# 安装 PyTorch（以 CUDA 11.8 为例）pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 Ultralytics YOLOv8pip install ultralytics# 安装其他工具pip install opencv-python numpy matplotlib tqdm pillow seaborn pandas

✅ 验证安装：

import torchprint(torch.__version__)print(torch.cuda.is_available()) # 应输出 True

---

📂 二、数据集结构（你已划分好）

建议组织如下：

fishing_dataset/├── images/│ ├── train/ # 941 张│ └── val/ # 235 张├── labels/│ ├── train/ # 对应 .txt 标注文件│ └── val/├── data.yaml # 需创建

⚠️ 确保 .txt 文件格式为 YOLO 格式：class_id x_center y_center width height（归一化坐标）

---

📄 三、创建 data.yaml 文件

# data.yamltrain: fishing_dataset/images/trainval: fishing_dataset/images/valnc: 1names: [\'fishing\']

✅ nc: 1 表示只有一个类别
✅ 路径根据你的实际路径调整（可使用绝对路径或相对路径）

---

🚀 四、训练代码（train.py）—— 使用 YOLOv8 官方预训练模型

# train.pyfrom ultralytics import YOLOdef train_fishing_model(): # 加载官方预训练模型（推荐使用 yolov8s 或 yolov8m） model = YOLO(\'yolov8s.pt\') # 可换为 \'yolov8m.pt\' 获取更高精度 # 开始训练 results = model.train( data=\'data.yaml\',  # 指向 data.yaml epochs=300,  # 小数据集建议 200~300 轮 imgsz=640,  # 可尝试 1280 提升小目标识别能力 batch=16,# 根据显存调整（24G 显存可用 32） name=\'fishing_yolov8s_640\', project=\'runs/fishing\', device=0,# 使用 GPU workers=4, optimizer=\'AdamW\', lr0=0.001, patience=50,  # 早停：50 轮无提升则停止 augment=True,  # 启用数据增强 mosaic=1.0,  # Mosaic 增强 mixup=0.2,  # MixUp 增强 copy_paste=0.3, # Copy-Paste 增强（对小样本非常有效） close_mosaic=25,  # 最后几轮关闭 Mosaic cache=\'disk\',  # 缓存图像到磁盘加速训练 fraction=1.0,  # 使用全部数据 val=True # 每轮都验证 ) print(\"✅ 训练完成！\") return resultsif __name__ == \"__main__\": train_fishing_model()

📌 模型保存路径：runs/fishing/fishing_yolov8s_640/weights/best.pt

---

🔍 五、推理代码（infer.py）—— 检测钓鱼行为

# infer.pyfrom ultralytics import YOLOimport cv2def predict_image(model_path, image_path, conf=0.4, imgsz=640): \"\"\" 单张图像预测 \"\"\" model = YOLO(model_path) results = model(image_path, conf=conf, imgsz=imgsz) for r in results: im_array = r.plot() # 绘制边界框和标签 im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR) cv2.imshow(\'Fishing Detection\', im) cv2.waitKey(0) cv2.imwrite(\'result_fishing.jpg\', im) return resultsdef predict_video(model_path, video_path=0, conf=0.4, imgsz=640): \"\"\" 视频流检测（可用于河道监控） \"\"\" model = YOLO(model_path) cap = cv2.VideoCapture(video_path) # 0 表示本地摄像头 while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model(frame, conf=conf, imgsz=imgsz) annotated_frame = results[0].plot() cv2.imshow(\'Fishing Detection - Live\', annotated_frame) if cv2.waitKey(1) & 0xFF == ord(\'q\'): break cap.release() cv2.destroyAllWindows()if __name__ == \"__main__\": model_path = \'runs/fishing/fishing_yolov8s_640/weights/best.pt\' # 图像预测 predict_image(model_path, \'test.jpg\') # 视频预测（如无人机视频流） # predict_video(model_path, \'drone_video.mp4\') # 或 0 调用摄像头

---

📊 六、评估代码（evaluate.py）—— 获取 mAP 等指标

# evaluate.pyfrom ultralytics import YOLOdef evaluate_model(): model = YOLO(\'runs/fishing/fishing_yolov8s_640/weights/best.pt\') metrics = model.val( data=\'data.yaml\', split=\'val\', batch=16, imgsz=640, device=0, save_json=True, conf=0.001 ) print(f\"mAP@50: {metrics.box.map50:.4f}\") print(f\"mAP@50-95: {metrics.box.map:.4f}\") # 你提到 YOLOv8s 达到 0.57，说明效果不错！ print(f\"Precision: {metrics.box.p:.4f}\") print(f\"Recall: {metrics.box.r:.4f}\") print(f\"F1-score: {metrics.box.f1.mean():.4f}\") return metricsif __name__ == \"__main__\": evaluate_model()

---

以上文字及代码仅供参考学习使用。