企业官网建设流程全解析

YOLOv5船舶目标检测｜多骨干网络+注意力模块改进对比，卫星遥感船舶识别实战

前言

最近在做遥感图像船舶检测任务，数据集是自己整理的遥感海面船舶切片，训练集1731张，验证集433张。遥感场景做船舶检测难点挺多：海面波纹干扰、光照变化、船舶尺度差异大，还有云雾遮挡，小目标船舶很容易漏检。

一开始直接跑原生YOLOv5，效果不算差，但想看看不同骨干网络、不同模块对遥感船舶这个场景到底能带来多大提升，于是挨个替换backbone，也尝试了C2f、SE注意力这些模块，做了一组对照实验，把踩坑记录和结果整理出来。

数据集划分：train:1731，val:433，类别只有ship一类，遥感卫星图像，图片里船舶大多是细长条状小目标，背景是海面，部分样本带有云、海浪杂波干扰。

一、实验方案

基于YOLOv5s源码进行改造，保持训练参数、数据集、输入分辨率完全一致，只改动网络结构，控制变量对比：

1. 原生YOLOv5（baseline基准）
2. YOLOv5 + EfficientNet骨干
3. YOLOv5 + GhostNet骨干
4. YOLOv5 + MobileNet骨干
5. YOLOv5 + Swin-Transformer骨干
6. YOLOv5 + VGG骨干
7. YOLOv5 + ResNet骨干
8. YOLOv5 + ShuffleNet骨干
9. YOLOv5 添加C2f模块
10. YOLOv5 添加SE注意力机制模块
    

训练配置统一设置：

• 输入尺寸：640×640
• 批次大小batch-size：8
• 迭代轮次epochs：100
• 优化器Adam，学习率采用YOLOv5默认的余弦退火策略
• 数据集做了基础增强：随机翻转、缩放、马赛克增强，适配遥感图像

二、遥感船舶检测难点分析

遥感图像里的船舶和日常摄像头里的目标完全不一样：

1. 目标是细长小目标，占整张图像素占比很低，特征弱；
2. 海面纹理复杂，波浪、海水色差很容易和船舶混淆，造成大量误检；
3. 部分图片存在云雾遮挡，目标局部被覆盖，特征残缺；
4. 船舶朝向任意，角度多变，横向、斜向都有。

原生YOLOv5的CSPDarknet骨干在普通实景图效果很好，但对遥感小目标，特征提取能力还有优化空间，这也是我做多种骨干替换的原因。

三、各方案实验结果与分析

这里只说我实际跑出来的直观感受，mAP、召回率这些指标可以根据自己实验数据填充。

1. 原生YOLOv5 baseline
   作为对照组，基础模型，推理速度快，但是云雾场景、极小船舶漏检偏多，海面杂波带来少量误检，mAP作为基准。

2. GhostNet / MobileNet / ShuffleNet 轻量骨干
   这三个都是轻量化网络，参数量、计算量明显下降，推理速度更快。
   适合后续部署到嵌入式设备。但是代价很明显：特征提取能力下降，遥感小船舶mAP会掉一点。

适合场景：需要端侧部署，对速度优先，精度要求不是极致的场景。GhostNet在三者里精度损失最小。

3. ResNet、VGG、EfficientNet
   ResNet的特征提取能力更强，对复杂海面背景鲁棒性更好，mAP相比baseline有小幅上涨，模型参数量会变大，训练时间更长。
   VGG结构简单，但参数量巨大，收敛慢，效果不如ResNet，不太推荐遥感小目标场景。
   EfficientNet依靠复合缩放策略，在精度和参数量之间平衡不错，对比原生骨干有提升，训练稳定性尚可。

4. Swin-Transformer骨干
   Swin Transformer基于窗口自注意力，全局信息捕捉能力很强，对海面大范围背景和船舶目标区分效果好，抗云雾干扰能力最强。
   缺点非常突出：训练显存占用巨大，训练慢，推理延迟高，对硬件要求高。单纯做船舶检测，如果没有高端显卡，训练成本很高。适合追求高精度，不看重实时推理速度的场景。

5. 增加C2f模块
   C2f来自YOLOv8，替换YOLOv5原生C3模块。增加更多分支梯度流动，特征融合更充分。
   在我的船舶数据集上，mAP有明显提升，小目标召回率提升很明显，同时参数量增加不算夸张，性价比很高。这个改进是我最推荐的。

6. SE注意力模块
   SE通道注意力，对特征通道做权重重标定，让网络重点关注船舶有效特征，抑制海面背景无用特征。
   加SE之后，误检数量减少，海面波纹带来的虚警少了。但是只加SE提升幅度有限，单独使用不如C2f提升明显。可以考虑C2f+SE组合，进一步优化。

四、踩坑记录（重点）

1. 替换骨干网络时，一定要匹配输入的通道数，以及颈部Neck部分的通道维度，很多人直接替换骨干，不修改neck的输入通道，直接报维度错误，这个坑我踩过。
2. 遥感数据集小目标多，不要盲目调高输入分辨率，分辨率越高显存占用爆炸，640是我权衡后的选择。
3. Swin Transformer替换骨干的时候，预训练权重加载很关键，不加载预训练权重，很难收敛，精度会很差。
4. 数据集问题：我这个数据集一共2164张（train1731+val433），属于中小数据集，用Swin这种大模型很容易过拟合，训练到后期验证集mAP不再上涨甚至下降，需要加早停、正则。
5. 轻量化骨干在小数据集上更容易欠拟合，精度掉的比大数据集明显。

五、结论

1. 如果追求精度优先，不考虑部署速度：YOLOv5+Swin Transformer，抗云雾、小目标检测效果最好，但训练成本高，容易过拟合。
2. 如果追求精度和速度平衡，性价比最高：YOLOv5引入C2f模块，或者C2f+SE注意力，是遥感船舶检测首选，提升明显，参数量增加可控。
3. 如果需要模型轻量化，嵌入式部署：YOLOv5替换GhostNet骨干，速度快，精度损失相对最小。
4. VGG不太推荐用于这个遥感船舶任务，参数量大，收益低。

后续计划：尝试C2f+SE+GhostNet组合，在保证精度的前提下压缩模型，做轻量化遥感船舶检测模型，后续会继续更新实验结果。

结尾

遥感小目标检测本身难度不小，不同骨干网络没有绝对的好坏，要根据你的任务需求（精度、推理速度、部署硬件）选择。
如果你也在做卫星遥感船舶检测，或者YOLOv5骨干替换遇到报错，欢迎在评论区一起交流。

下载连接：https://download.csdn.net/download/qq_44886601/93642909