【遥感图像船舶检测数据集】

【遥感图像船舶检测数据集】nc=1 标签names: ['ship',]
名称：【‘船’】共4126张，8:1:1比例划分，（train;3300张，val：412张，test：414张标注文件为YOLO适用的txt格式。可以直接用于模型训练。

遥感图像船舶检测数据集

项目背景：

遥感技术在海洋监测、环境保护、海上交通管理等领域发挥着重要作用。船舶检测是其中一个关键的应用方向，能够帮助相关部门及时了解海域内的船舶活动情况，对于防止非法捕鱼、保护海洋生态环境具有重要意义。传统的船舶检测方法依赖于人工观察或简单的算法，效率较低且容易出错。本数据集旨在为遥感图像中的船舶检测提供高质量的标注数据，支持自动化检测系统的开发与应用。

数据集概述：

名称：遥感图像船舶检测数据集
规模：共计4,126张图像
数据划分：按照8:1:1的比例划分为训练集、验证集和测试集
- 训练集：3,300张图像
- 验证集：412张图像
- 测试集：414张图像
类别：1种标签，“0”表示船舶（Ship）
标注格式：适用于YOLO的.txt格式标注文件，可以直接用于模型训练

数据集特点：

针对性强：专注于遥感图像中的船舶检测任务，确保数据集的针对性和实用性。
高质量标注：每张图像都已详细标注，确保数据的准确性和可靠性。
适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。
标准格式：采用广泛使用的YOLO格式标注文件，方便导入不同的检测框架。

数据集内容：

船舶（Ship）：标注了遥感图像中的船舶位置。

数据集用途：

船舶检测：可用于训练和评估深度学习模型，特别是在遥感图像中的船舶检测方面。
海洋监测：帮助实现海域内的船舶活动监测，减少非法活动的发生。
科研与教育：为遥感图像船舶检测领域的研究和教学提供丰富的数据支持。

使用场景：

实时监控：在海洋监测系统中，利用该数据集训练的模型可以实时识别和跟踪船舶。
事后分析：在事后分析和调查中，利用该数据集可以提高事件分析的准确性和速度。
生产管理：在海洋资源管理和保护工作中，利用该数据集可以提高工作效率和管理水平。

技术指标：

数据量：共计4,126张图像，专注于船舶检测。
数据划分：按照8:1:1的比例划分，确保数据集的充分训练和验证。
标注格式：适用于YOLO的.txt格式标注文件，方便导入不同的检测框架。
标注精度：所有图像均已详细标注，确保数据的准确性和可靠性。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3import numpy as np
4
5# 数据集路径
6DATASET_PATH = 'path/to/dataset'
7IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
8LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
9
10# 加载数据集
11def load_dataset(directory):
12    images = []
13    labels = []
14
15    for img_file in os.listdir(IMAGES_DIR):
16        if img_file.endswith('.jpg'):
17            img_path = os.path.join(IMAGES_DIR, img_file)
18            label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.txt'))
19            
20            image = cv2.imread(img_path)
21            with open(label_path, 'r') as f:
22                label = f.readlines()
23            
24            images.append(image)
25            labels.append(label)
26
27    return images, labels
28
29train_images, train_labels = load_dataset(os.path.join(DATASET_PATH, 'train'))
30val_images, val_labels = load_dataset(os.path.join(DATASET_PATH, 'val'))
31test_images, test_labels = load_dataset(os.path.join(DATASET_PATH, 'test'))

模型训练：

、

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='ship_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_ships(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Ship, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_ships(test_image)
23cv2.imshow('Detected Ships', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 `ship_detection.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 1  # Number of classes
6names: ['Ship']  # Class name
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size