基于YOLOv8+PyQt5复杂场景下船舶目标检测系统

1. 应用场景

复杂场景下船舶目标检测系统的应用场景包括：
港口管理和安全：监控港口区域，确保船舶安全地进出港口，预防相撞事故的发生。
海洋交通监控：实时追踪海上交通流，并识别违规或异常航行行为，维护航线秩序。
海域安全巡逻：在国家边境或重要水域进行安全巡逻，识别非法入侵或可疑活动。
海洋环境保护：监测环境保护区内的船舶活动，防止非法捕捞和污染事件。
搜救行动：在海上搜救行动中快速识别和定位失事船只，提高搜救效率和成功率。
船舶流量和渔业管理：分析船只密集区域的船舶流量，对渔船进行监控和管理，保护渔业资源。

2. YOLOv8算法

为什么我应该使用 YOLOv8？

以下是您应该考虑将 YOLOv8 用于下一个计算机视觉项目的几个主要原因：● YOLOv8在COCO和Roboflow 100上测得的准确率很高。
● YOLOv8 具有许多开发人员方便的功能，从易于使用的 CLI 到结构良好的 Python 包。
● YOLO 周围有一个庞大的社区，围绕 YOLOv8 模型的社区也在不断壮大，这意味着计算机视觉圈子里有很多人在你需要指导时可以为您提供帮助。YOLOv8在COCO上实现了很高的准确性。例如，YOLOv8m模型 - 中等模型 - 在COCO上测量时达到50.2%的mAP。当针对Roboflow 100（专门评估各种任务特定域上的模型性能的数据集）进行评估时，YOLOv8的得分明显优于YOLOv5。本文后面的性能分析中提供了有关此内容的更多信息。此外，YOLOv8 中方便开发人员的功能也很重要。与其他模型相反，任务被拆分到您可以执行的许多不同 Python 文件中，YOLOv8 带有一个 CLI，使训练模型更加直观。这是对 Python 包的补充，该包提供了比以前的模型更无缝的编码体验。当您考虑使用模型时，YOLO 周围的社区值得注意。许多计算机视觉专家都知道 YOLO 及其工作原理，并且网上有很多关于在实践中使用 YOLO 的指导。尽管 YOLOv8 在撰写本文时是新的，但网上有许多指南可以提供帮助。以下是一些学习资源，您可以使用它们来提高您对 YOLO 的了解：
● YOLOv8 Model Card on Roboflow Models（Roboflow 模型上的 YOLOv8 模型卡）
● How to Train a YOLOv8 Model on a Custom Dataset（如何在自定义数据集上训练YOLOv8模型）
● How to Deploy a YOLOv8 Model to a Raspberry Pi（如何将YOLOv8模型部署到树莓派）
● Google Colab Notebook for Training YOLOv8 Object Detection Models（用于训练YOLOv8目标检测模型的谷歌Colab笔记本）
● Google Colab Notebook for Training YOLOv8 Classification Models（用于训练YOLOv8分类模型的谷歌Colab笔记本）
● Google Colab Notebook for Training YOLOv8 Segmentation Models（用于训练YOLOv8分割模型的谷歌Colab笔记本）
● Track and Count Vehicles with YOLOv8 and ByteTRACK（使用YOLOv8和ByteTRACK跟踪和计数车辆）让我们深入了解架构以及 YOLOv8 与以前的 YOLO 模型的不同之处。

2.1 YOLOv8检测网络

2.2 模型结构

如下图， 左侧为 YOLOv5-s，右侧为 YOLOv8-s。
在暂时不考虑 Head 情况下，对比 YOLOv5 和 YOLOv8 的 yaml 配置文件可以发现改动较小。

3. 软件界面功能

1. 可用于实时检测各类复杂场景种的船舶位置，并显示目标数量;
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；

3.1 界面参数设置说明

置信度阈值：也就是目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；
交并比阈值：也就是目标检测时的iou参数，只有目标检测框的交并比大于该值，结果才会显示；

IoU：全称为Intersection over
Union，表示交并比。在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。

4. 数据集与训练

数据集为各类复杂场景下的船舶图片，并使用Labelimg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5090张图片，其中训练集包含4576张图片，验证集包含509张图片，测试包含5张图片。
该数据集是专为研究和解决复杂场景下船舶目标检测问题而设计。包含多样性丰富的环境，如交通繁忙的港口、船只密集的渔业区，以及船与岸边混合交通场景。与传统的船舶目标检测数据集不同，本数据集特意考虑了在实际应用场景中常见但在数据集中经常被忽视的问题。例如，船舶在图像或视频帧中不一定是主体，有时仅作为背景出现。此外，数据集还包括船只部分或完全被其他对象遮挡的情况。这些特点使得本数据集非常适用于开发和评估目标检测算法在复杂、多变和部分遮挡条件下的性能。数据集旨在推动船舶目标检测和相关领域的研究进展，以满足日益增长的实际应用需求，例如航海安全、渔业管理以及海洋环境保护等。

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data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\BoatDetection\datasets\Data\train
val: E:\MyCVProgram\BoatDetection\datasets\Data\valnc: 1
names: ['boat']

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：

#coding:utf-8
from ultralytics import YOLO# 加载预训练模型
model = YOLO("yolov8n.pt")
# Use the model
if __name__ == '__main__':# Use the modelresults = model.train(data='D:\BoatDetection\datasets\Data\data.yaml', epochs=300, batch=4)  # 训练模型

4.1 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：

本文训练结果如下：

PR曲线

5. 界面展示

6.检测结果识别

7. 结束语

以上便是博主开发的基于YOLOv8+PyQt5复杂场景下船舶目标检测系统的部分内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！