企业官网建设流程全解析

做海事目标检测的朋友，应该都绕不开一个痛点：船舶数据集又少又难找。通用COCO里船的数量不多，海况变化又大，直接拿公共预训练模型去检测港口、航道里的船舶，经常漏检。所以我拿到“船舶检测数据集 | 3000张YOLO海事监测数据集”这个项目的时候，第一反应是“终于有一套专门给YOLO用的海事数据了”。3000张图听着不多，但这类数据的关键从来不是数量，而是场景覆盖和标注质量。这篇文章就围绕这套数据集，把从数据准备、标注格式、YOLO训练、损失函数看到模型评估、ONNX导出和边缘设备部署的完整链路走一遍，顺便把我在实操中踩过的坑也列出来。无论是刚入门YOLO的新手，还是想落地海事监控系统的工程师，都能参考。

1. 项目概述与思路拆解

1.1 3000张数据到底够不够用

先直说结论：3000张训练图，对船舶检测来说，够起步，但不够打天下。YOLO系列本身吃数据能力很强，但海事场景有很多细分——港口内的靠泊船、开阔水域的航行船、内河小船、无人机俯拍的密集渔船，形态差异很大。3000张如果集中在晴天白天、单一视角，模型很难泛化；反之如果有意覆盖不同水域、不同天气、不同角度，3000张已经能训练出一个不错的基础版检测器。我自己做项目时常用“一次模型能不能在没见过的水域图片上丢人”来衡量数据质量，而不是单纯数张数。

1.2 海事监测为什么要单独做数据集

通用目标检测模型里的“船”类别往往混杂了货船、渔船、邮轮，甚至有些还把水上飞机算进去。海事监管真正需要的不是“认出这是船”，而是“认出这到底是一艘什么船、大概多大、朝哪开”。所以这套数据集在设计时就要考虑类别拆分，比如按货船、集装箱船、油轮、客船、渔船、游艇等划分。如果不拆分，训练出来就是一台“船型apk”，做统计报表和预警很难落地。拆分之后，每条船的类型、位置、大小都能变成结构化信息，接到智慧港口或VTS系统里才有实际价值。

1.3 为什么选YOLO而不是Faster R-CNN

YOLO系列在实时性上优势太明显。海事监测通常是24小时视频流分析，每秒要处理几路甚至几十路摄像头，Faster R-CNN的帧率很难撑住，而YOLOv5s在边缘设备上也能轻松跑到几十帧。而且YOLO的工程生态成熟，数据标注转格式、预训练权重、部署导出ONNX的教程一堆，适合快速验证。结合“在AGX Orin上搭建YOLO环境”这个需求，NVIDIA Jetson系列对YOLO支持相当好，后面我会专门讲。

2. 数据集构建与标注规范

2.1 3000张图的场景构成建议

拿到标题里“3000张YOLO海事监测数据集”这几个字，别急着开训，先做一个分布表。分三类：场景类型（港口码头、开阔水域、内河航道、近岸锚地）、天气光照（白天晴、阴天、雾天、夜晚红外）、拍摄视角（固定摄像头俯拍、岸基水平视角、无人机斜视）。每种组合都尽量覆盖。比如港口可以多拍靠泊和装卸状态，开阔水域主要拍航行状态，锚地拍密集停泊。如果原始视频中有连续帧，记得抽帧时每隔N帧取一张，不然数据几乎全重复，看着3000张实际只有几十个场景。

2.2 标注格式与类别设计

YOLO标注格式是每张图对应一个txt文件，每行内容为 class x_center y_center width height，四个坐标都是归一化到0~1之间的浮点数，class从0开始编号。我建议类别定在6到8类之间，别搞十几个细分子类。理由是小船、游艇、帆船本身长得像，强行细分会让标注员吵架，模型也学不明白。先定：货船、集装箱船、油轮、客船、渔船、其他船舶。如果后续要做船舶速度估算，可以再加“抛锚”“航行”状态，但状态属性建议单独存JSON，不要混进目标框，会让损失函数看糊涂。

2.3 清洗、增强与数据集划分

数据清洗非常重要。用脚本把所有图片尺寸统一，通常YOLOv5/v8训练时建议图片宽高是32的倍数，比如640x640或1280x1280。如果从视频抽帧，要剔除模糊帧和水花严重的帧。标注时我通常要求框贴合船身，不要包一大圈水面，船体和倒影重叠时只标船体，倒影不标。做完清洗后，按7:2:1划分train/val/test，测试集必须是模型完全没见过的图片，不能从原始视频同一段连续帧里随意抽，否则测试指标虚高。

3. YOLO训练实操全流程

3.1 在PyCharm里安装并上手YOLO

很多人问“使用PyCharm安装并使用YOLO”，其实就是三步。第一，用Anaconda或venv新建一个干净环境，Python版本选3.9或3.10，避免太新导致CUDA绑定编译问题。第二，在PyCharm的Terminal里pip install ultralytics，这个包把YOLOv5/v8/v11的训练推理接口统一了。第三，下载预训练权重yolov8s.pt或yolov5s.pt，放在项目根目录。如果是在AGX Orin上搭建YOLO环境，记得用JetPack自带的PyTorch容器，或者手动编译torch torchvision匹配cu118/cu121，不要直接pip install torch，大概率装成CPU版。

3.2 数据集配置文件与训练命令

YOLO需要用data.yaml描述数据路径和类别。比如：

train: /data/ship_dataset/train/images val: /data/ship_dataset/val/images test: /data/ship_dataset/test/images nc: 6 names: ['cargo', 'container', 'tanker', 'passenger', 'fishing', 'other']

训练命令可以用ultralytics的Python接口：

from ultralytics import YOLO model = YOLO('yolov8s.pt') results = model.train( data='ship.yaml', epochs=150, batch=16, imgsz=640, lr0=0.01, patience=20, device=0, )

参数背后有几个坑。batch大小要受显存限制，不能设得太大到训练秒退。imgsz如果目标框普遍较小，建议用1280或多尺度训练。epochs不要上来就300，先用150跑通，观察loss有没有下降空间，再决定续训。

3.3 YOLO损失函数与训练日志解读

热词里有人专门搜“YOLO损失函数”，这里给新手讲明白。YOLOv5/v8的损失主要由三块组成：边界框损失、分类损失、DFL分布焦点损失。边界框损失在v5里是GIoU/CIoU，在v8里是CIoU或SIoU，衡量预测框和真实框的重合度；分类损失用BCE或交叉熵衡量类别判错；DFL则让模型预测边框坐标的分布而不是回归一个绝对坐标，对边界回归更稳定。训练时打开train日志，主要看box_loss、cls_loss、dfl_loss三个数是否一轮一轮下降。如果loss一直上下抖动但mAP在涨，别慌，这可能是因为学习率动态变化和IOU阈值增长，最终以验证集mAP为准。

4. 模型评估、导出与部署

4.1 验证集和测试集上该看什么指标

YOLO训练完会自动在验证集上评估，输出mAP50、mAP50-95、precision、recall。我建议不要把mAP50当唯一目标。海事场景里漏掉一艘船可能比错报一艘船问题更大，尤其在搜救、航道安全场景，recall有时候比precision重要。同时要按类别看AP，如果“渔船”AP突然特别低，基本是标注图片太少或框太密集。测试集要单独拿出来做一次最终验证，别用验证集反复调参，调着调着就过拟合了。

4.2 导出ONNX并在边缘设备部署

训练好的模型要落地，第一步就是导出ONNX。

yolo export model=best.pt format=onnx imgsz=640

导出时注意选择dynamic=True或固定输入尺寸。动态尺寸灵活，但TensorRT转换时麻烦；固定640x640最省心。在AGX Orin上，导出ONNX后可以构建TensorRT engine，用trtexec或ultralytics的TensorRT板子推理。实测下来，TensorRT加速后的YOLOv8s能在Orin上跑出比PyTorch高3-5倍的帧率，功耗还低。这里要特别提示：NVIDIA Jetson平台一定要检查JetPack版本，L4T和CUDA版本匹配不对，TensorRT推理会报各种光怪陆离的野错。

4.3 实际场景中的调优策略

拿到3000张数据训练出的模型，真实监控画面往往还有大量误检。我常用的三个策略：一是多尺度推理，训练时imgsz=1280，推理时也可以跑1280，代价是延时升高；二是SAHI切片推理，把大图切成带重叠的片再检测，船小但数量多时效果立竿见影；三是做时间维度的后处理，连续N帧都有同一位置的同一类别才触发告警，能把摄像头抖动、反光引起的闪烁误报滤掉。另外，当数据有港口岸桥、灯塔、浮标这类负样本时，单独加一些无船负样本图，能大幅降低误报率，这是我最有体会的一点。目标框检测完之后，还可以把位置、类别、置信度交给上层的多模态AI分析模块，结合船名识别和轨迹预测做决策，这也是很多智慧海事项目正在走的方向。

5. 常见问题排查与避坑记录

5.1 标注文件与图片对不上

第一次训练最容易报“Image not found”或“Label not found”。检查dataset的train路径是不是指向图片文件夹，labels是不是与图片同级的labels子目录。YOLO要求images目录下叫a.jpg，labels目录下就叫a.txt，一一对应。还有空标注问题：有些txt文件是0字节，训练会跳过，如果跳过太多，模型学不到东西。我写了个小脚本扫描每个子集的txt数量，和图片数量对齐，发现差距立刻补。

import os for split in ['train', 'val', 'test']: img_dir = f'/data/ship_dataset/{split}/images' lab_dir = f'/data/ship_dataset/{split}/labels' img_num = len(os.listdir(img_dir)) lab_num = len(os.listdir(lab_dir)) print(split, img_num, lab_num)

5.2 loss不收敛或变成NaN说明什么

遇到loss直接变NaN，先查学习率。lr0从0.01起步比较稳，上到0.1没有特殊预处理就危险。再查batch size：如果显存不够硬塞小batch，比如batch=4，BN层的统计量会很抖，loss常常跳成波浪线。还有脏标注的问题：一旦图像边界外的框坐标异常（比如x_center大于1），损失会拿非正常值去算，训练一会儿就NaN。用脚本检查所有txt，把坐标值小于0或大于1的过滤掉。

5.3 夜间和恶劣天气检测能力不足

很多海事监控要24小时跑，白天模型到了晚上红外图像上效果就崩。解决办法是先做图像风格转换，或直接在数据集里加入热成像可见光混合图。如果找不到红外船舶数据，先保留一部分夜间画面做测试，不要让它参与训练，给自己留个底线，知道差距在哪。可以尝试给模型加输入前预处理，例如对比度受限的自适应直方图均衡化CLAHE，对雾天海面有效。但别指望预处理救回所有bad case，最根本的还是补数据。

这套3000张YOLO海事监测数据集，说大不大，说小也不小。我个人实操后的体会是：先把数据分布理解了，再用YOLOv8s从预训练权重开始微调，中间盯着损失函数和各类别AP，最后一键导出ONNX接到设备上，是一条性价比很高的路径。如果你还没为船舶目标检测头大过，找个周末按这个流程跑一遍，比看十篇文章都顶用。最后再分享一个小技巧：训练完别急着删weights目录，把每轮的best.pt按epoch保存好，后续做数据反复迭代时回滚非常方便。