无人机港口水域船舶目标检测数据集数据集面向港口监控、水域交通感知、无人机视角船舶识别与海事视觉巡检任务设计收录了港口、码头、航道及近岸水域等场景下的船舶与水面目标图像。数据集中包含多尺度船舶目标、复杂港区背景、远近距离目标、船舶遮挡与多目标共现等情况可用于船舶目标检测、水面目标识别、港区智能巡检与海事视觉感知算法的训练和评测。类别数据集目标检测共约 228 MB检测子集规模包含 6092 张图像按 train/val/test 划分其中训练集、验证集和测试集分别有 4262、1222 和 608 张图像。标注规模共 12879 个目标框其中 Container 5535 个、Tugboat 4364 个、Passenger-RoRo 1703 个、Buoy 573 个、Pilot 397 个、Chemical 307 个。图像分辨率以 640x640 图像为主。标注包含边界框检测标注为 YOLO TXT 格式。类别Buoy、Chemical、Container、Passenger-RoRo、Pilot、Tugboat共 6 类。无人机港口水域船舶目标检测数据集信息表信息项详细内容数据集名称无人机港口水域船舶目标检测数据集任务类型2D目标检测整体大小约 228 MB图像总数量6092 张数据集划分训练集4262 张验证集1222 张测试集608 张总标注目标框12879 个类别总数6类目标类别及标注数量Buoy(浮标)573 个Chemical(化工船)307 个Container(集装箱船)5535 个Passenger-RoRo(客滚船)1703 个Pilot(引航船)397 个Tugboat(拖船)4364 个图像分辨率主流为 640×640标注格式YOLO TXT 边界框标注场景特点覆盖港口、码头、航道、近岸水域存在多尺度目标、远距离目标、目标遮挡、多目标共存、复杂港区背景适用场景港口监控、水域交通感知、无人机海事巡检、水面船舶识别算法训练与评测一、环境依赖pipinstallultralytics opencv-python numpy二、数据集目录结构port_ship/ ├── train/ │ ├── images │ └── labels ├── val/ │ ├── images │ └── labels ├── test/ │ ├── images │ └── labels └── data.yaml三、数据集配置文件 data.yamlpath:./port_shiptrain:train/imagesval:val/imagestest:test/imagesnc:6names:0:Buoy1:Chemical2:Container3:Passenger-RoRo4:Pilot5:Tugboat四、YOLOv26 训练代码 train_port_ship.pyfromultralyticsimportYOLOif__name____main__:modelYOLO(yolov26s.pt)model.train(data./port_ship/data.yaml,epochs100,imgsz640,batch8,device0,workers0,lr00.01,patience18,mosaic1.0,perspective0.002,degrees10,projectruns/train,nameyolov26_port_ship,exist_okTrue)五、评估与推理代码 predict_eval.pyfromultralyticsimportYOLO# 加载最优模型权重modelYOLO(runs/train/yolov26_port_ship/weights/best.pt)# 模型指标评估metricsmodel.val(data./port_ship/data.yaml)print(fmAP0.5:{metrics.box.map50})# 单图推理model(test.jpg,saveTrue)# 视频推理# model(port_video.mp4, saveTrue)补充提示针对数据集多尺度、遮挡、复杂水面背景代码已开启透视、旋转数据增强提升模型泛化能力。显存不足时下调batch为 4/2无GPU将device0改为devicecpu。确保图片与对应TXT标注文件名称完全一致。
