随着现代智能交通技术的快速发展，舰船目标检测与识别在海洋交通管理、安全监控、航行安全等领域扮演着越来越重要的角色。传统的舰船识别方法主要依赖于人工标注和传统图像处理技术，无法满足高效、准确、大规模的需求。为了应对这一挑战，本文提出了一种基于YOLOv8（You Only Look Once）的深度学习方法，用于智慧交通系统中的舰船目标检测与识别。通过设计和优化深度神经网络架构，本文旨在提高舰船目标识别的精度和实时性，以适应不同海域和复杂环境下的实际应用需求。
项目信息
编号：PDV-52
大小：2.29G
运行条件
Python开发环境：
– PyCharm的安装包：PyCharm: Python IDE for Professional Developers
– PyCharm的历史安装包：PyCharm: Python IDE for Professional Developers
– Anaconda的安装包：Anaconda | Start Coding Immediately
– Python开发版本：Python==3.9
需要安装依赖包：
– pip install PyQt5== 5.15.11
– pip install Pillow==9.5.0
– pip install opencv-python==4.10.0.84
– pip install torch==2.4.0
– pip install torchvision==0.19.0
– pip install numpy== 1.26.4
– pip install matplotlib==3.9.2
项目介绍
随着现代智能交通技术的快速发展，舰船目标检测与识别在海洋交通管理、安全监控、航行安全等领域扮演着越来越重要的角色。传统的舰船识别方法主要依赖于人工标注和传统图像处理技术，无法满足高效、准确、大规模的需求。为了应对这一挑战，本文提出了一种基于YOLOv8（You Only Look Once）的深度学习方法，用于智慧交通系统中的舰船目标检测与识别。通过设计和优化深度神经网络架构，本文旨在提高舰船目标识别的精度和实时性，以适应不同海域和复杂环境下的实际应用需求。
在研究中，系统通过对多种类型舰船的图像进行训练，包括货船、客船、游轮、散货船、油轮、帆船、拖船、渔船、钻井平台、消防船、集装箱船、战舰以及潜艇等，能够实现高效的目标识别与分类。每类舰船都具有不同的外形、尺寸、颜色和结构，增加了目标检测的复杂度。因此，本研究通过构建一个多样化的舰船数据集，结合最新的深度学习技术，进一步提升了模型的检测能力。
在系统开发方面，本文采用了PyQt5框架来设计系统界面，旨在为用户提供一个直观、易操作的交互界面。用户可以通过该界面轻松上传图像或视频，实时查看舰船目标的检测结果。系统能够自动对海面中的舰船进行定位和分类，支持实时识别和目标追踪，具备了较强的实用性和扩展性。
经过大量的训练与测试，模型在各类型舰船的检测精度和召回率方面均取得了显著的提升。特别是在面对不同天气条件、光照变化及复杂背景下，YOLOv8模型展现出了较高的鲁棒性。此外，系统还能够高效地处理大规模数据集，并实时输出检测结果，适合于实际的海洋交通管理和安全监控任务。
本研究的创新点在于：首先，结合了YOLOv8架构和数据增强技术，针对海上舰船目标的多样性和复杂性，提出了一种高效的检测方法；其次，通过PyQt5框架设计了一个用户友好的界面，使得系统的应用更加便捷；最后，系统具有较强的实时检测能力，能够为海洋交通管理提供有效支持。
本文提出的基于YOLOv8的舰船目标检测与识别系统，不仅在精度和速度上取得了较好的平衡，而且具备了较强的实际应用价值。随着模型的进一步优化和数据集的扩展，系统将在智能海洋交通、航行安全监控、环境监测等领域发挥更大的作用，具有广泛的推广潜力。
项目文档
Tipps：提供专业的项目文档撰写服务，覆盖技术类、科研类等多种文档需求。我们致力于帮助客户精准表达项目目标、方法和成果，提升文档的专业性和说服力。
– 点击查看：写作流程
1.撰写内容
2.撰写流程
3.撰写优势
4.适用人群
期待与您的沟通！我们致力于为您提供专业、高效的项目文档撰写服务，无论是通过QQ、邮箱，还是微信，您都能快速找到我们。专业团队随时待命，为您的需求提供最优解决方案。立即联系，开启合作新篇章！
算法流程
Tipps：深入解析项目的算法流程，逐步探索技术实现的核心逻辑。从数据加载与预处理开始，到核心算法的设计与优化，再到结果的可视化呈现，每一步都将以清晰的结构和简洁的语言展现，揭示技术背后的原理与实现思路。
代码讲解
Tipps：我们致力于为您提供全面的项目代码解析服务，深入剖析核心实现、关键逻辑及优化策略，帮助您快速理解项目运行机制。同时，针对您在使用项目中可能遇到的难点，我们提供高效的后续答疑支持，确保问题得到及时、专业的解决。
无论您是初学者还是经验丰富的开发者，我们都能为您量身定制指导方案，助您从掌握到精通。如果您有任何需求或疑问，欢迎随时与我们联系！
1.服务优势
2.联系方式
欢迎随时联系我们！我们将竭诚为您提供高效、专业的技术支持，量身定制解决方案，助您轻松应对技术挑战。
项目数据
Tipps：通过搜集关于数据集为各种各样的舰船相关图像，并使用Labelimg标注工具对每张图片进行标注，分13检测类别，分别是’货船’, ‘客船’, ‘游轮’, ‘散货船’, ‘油轮’, ‘帆船’, ‘拖船’, ‘渔船’, ‘钻井平台’, ‘消防船’, ‘集装箱船’, ‘军舰’, ‘潜艇’。
目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
结束后，在cmd中输入labelimg
初识labelimg
打开后，我们自己设置一下
在View中勾选Auto Save mode
接下来我们打开需要标注的图片文件夹
并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。
Labelimg的快捷键
（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）
首先在images这个文件夹放置待标注的图片。
生成文件如下:
“classes.txt”定义了你的 YOLO 标签所引用的类名列表。
（4）YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。
注意：这里的中心点坐标、宽和高都是相对数据！！！
存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
硬件环境
我们使用的是两种硬件平台配置进行系统调试和训练：
（1）外星人 Alienware M16笔记本电脑：
（2）惠普 HP暗影精灵10 台式机：
上面的硬件环境提供了足够的计算资源，能够支持大规模图像数据的训练和高效计算。GPU 的引入显著缩短了模型训练时间。
使用两种硬件平台进行调试和训练，能够更全面地验证系统的性能、适应性和稳定性。这种方法不仅提升了系统的鲁棒性和泛化能力，还能优化开发成本和效率，为实际应用场景的部署打下良好基础。
模型训练
Tipps：模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。
YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示：
2.数据集准备与训练
本研究使用了包含舰船目标的数据集，并通过 Labelimg 标注工具对每张图像中的目标边界框（Bounding Box）及其类别进行标注。基于此数据集，采用 YOLOv8n 模型进行训练。训练完成后，对模型在验证集上的表现进行了全面的性能评估与对比分析。整个模型训练与评估流程包括以下步骤：数据集准备、模型训练、模型评估。本次标注的目标类别主要集中于舰船目标。数据集总计包含 35474 张图像，具体分布如下：
训练集：25541 张图像，用于模型学习和优化。
验证集：2838 张图像，用于评估模型在未见过数据上的表现，防止过拟合。
测试集：7095 张图像，用于最终评估模型的泛化能力。
数据集分布直方图
以下柱状图展示了训练集、验证集和测试集的图像数量分布：
部分数据集图像如下图所示：
部分标注如下图所示：
这种数据分布方式保证了数据在模型训练、验证和测试阶段的均衡性，为 YOLOv8n 模型的开发与性能评估奠定了坚实基础。
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datasets目录下。
接着需要新建一个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：
这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。
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)。
CPU/GPU训练代码如下：
加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。
3.YOLOv8模型训练结果与性能评估
在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于 YOLOv8 模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。这些损失的优化是提升目标检测性能的关键。
损失函数作用说明：
（1）定位损失 (box_loss)：表示预测框与标定框之间的误差（GIoU），越小表示定位越准确。
（2）分类损失 (cls_loss)：用于衡量锚框与对应的标定分类是否正确，越小表示分类越准确。
（3）动态特征损失 (dfl_loss)：DFLLoss用于回归预测框与目标框之间的距离，并结合特征图尺度进行调整，最终提高目标检测的定位准确性。
训练和验证结果文件存储：
训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，包括：
（1）损失曲线图（Loss Curves）
（2）性能指标曲线图（mAP、精确率、召回率）
（3）混淆矩阵（Confusion Matrix）
（4）Precision-Recall (P-R) 曲线
损失曲线(Loss Curve)和性能指标分析：
训练指标：
train/box_loss：
描述：边界框回归损失，衡量预测边界框与真实边界框的偏差。
趋势：随着训练的进行，损失从初始的 0.8 降到接近 0.4，表明模型在边界框定位上逐渐优化。
train/cls_loss：
描述：分类损失，衡量模型对目标类别分类的误差。
趋势：从 2.0 迅速下降到接近 0.3，说明模型的分类能力大幅提升。
train/dfl_loss：
描述：分布对数损失，衡量边界框预测分布的准确性。
趋势：从 1.2 下降到接近 0.95，模型在分布预测上的能力不断提高。
验证指标：
val/box_loss：
描述: 验证集中边界框回归损失。
趋势：从 0.7 降至 0.45，与训练集趋势一致，表明模型泛化性良好。
val/cls_loss：
描述: 验证集中分类损失。
趋势：从 1.0 降至 0.4，验证集分类性能逐渐提升。
val/dfl_loss：
描述: 验证集中分布对数损失。
趋势：从 1.15 降至接近 0.95，与训练集一致。
性能指标：
metrics/precision(B)：
描述: 精确率衡量预测为正的样本中真正为正的比例。
趋势: 从约 0.6 稳步上升到接近 0.95，表明模型误检率逐渐降低。
metrics/recall(B)：
描述: 召回率衡量实际为正的样本中被正确预测为正的比例。
趋势: 从 0.6 稳步上升到接近 0.9，说明模型漏检率逐渐降低。
metrics/mAP50(B)：
描述: 平均精度（mAP）@IoU=0.5，衡量目标检测的总体精度。
趋势: 从 0.6 上升到 0.95，说明模型在验证集上的目标检测精度逐渐提高。。
metrics/mAP50-95(B)：
描述: 平均精度（mAP）@IoU=0.5-0.95，衡量目标检测的严格精度。
趋势: 从 0.5 上升到 0.8，说明模型在不同 IoU 阈值下的检测能力稳定提升。
Precision-Recall(P-R)曲线分析：
曲线说明：
蓝色 (细线):
类别: cargo (货船)
mAP@0.5: 0.973
含义: 模型对货船的检测精度很高，且召回率也保持较好，说明模型能够有效区分货船。
橙色:
类别: passenger (客船)
mAP@0.5: 0.948
含义: 模型对客船的检测表现较好，精确率和召回率都较为稳定。
绿色:
类别: cruise (游轮)
mAP@0.5: 0.989
含义: 检测性能最佳的类别，模型几乎能够完美识别游轮，曲线接近右上角。
红色:
类别: bulker (散货船)
mAP@0.5: 0.982
含义: 模型对散货船的识别非常准确，漏检率极低。
紫色:
类别: tanker (油轮)
mAP@0.5: 0.984
含义: 模型对油轮的检测性能优秀，检测精度和召回率均很高。
棕色:
类别: sailingboat (帆船)
mAP@0.5: 0.953
含义: 模型对帆船的检测较好，但召回率比 tanker 和 cruise 略低，可能是样本复杂性所致。
粉色:
类别: tug (拖船)
mAP@0.5: 0.884
含义: 检测性能偏低，主要体现在召回率较低，可能由于拖船的特征不明显或样本不足。
黑色:
类别: fishing (渔船)
mAP@0.5: 0.828
含义: 检测性能最差的类别，可能因为样本数量不足或背景复杂导致模型难以准确分类。
浅黄色:
类别: drill (钻井平台)
mAP@0.5: 0.976
含义: 检测性能非常好，曲线接近右上角，说明模型能准确识别钻井平台。
青蓝色:
类别: firefighting (消防船)
mAP@0.5: 0.938
含义: 检测性能良好，召回率稍低，可能是因为消防船样本存在某些相似背景。
浅蓝色:
类别: containership (集装箱船)
mAP@0.5: 0.926
含义: 检测性能较好，模型能够有效检测集装箱船，但对某些复杂情况的召回率稍低。
深灰色:
类别: warship (战舰)
mAP@0.5: 0.950
含义: 检测性能较高，说明模型能够准确区分战舰。
橄榄绿色:
类别: submarine (潜艇)
mAP@0.5: 0.984
含义: 检测性能非常好，模型对潜艇的分类能力较强。
深蓝色 (粗线):
类别: 所有类别总体性能
mAP@0.5: 0.947
含义: 表明模型整体检测性能优秀，在所有类别上表现均衡。
结论：
模型整体精度高，适合实际部署。mAP@0.5 达到 0.947，说明模型在检测任务中具有较好的鲁棒性和泛化能力。
混淆矩阵 (Confusion Matrix) 分析
混淆矩阵是用于评估分类模型性能的重要工具，它显示了模型在每一类别上的预测结果与实际情况的对比。
结论：
该混淆矩阵反映了模型对大部分类别的高效分类能力，但在小型目标和复杂背景的分类上仍有改进空间。通过增加样本、优化数据增强和调整模型，可以进一步提升分类性能。
4.检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：
加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。
加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要进行检测的图片文件的路径。
加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。
检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。
显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口
执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：
这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：
图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为448×640像素。
检测结果：
（1）模型在图片中检测到 1 个消防船（firefighting）。
处理速度：
（1）预处理时间: 4.0 毫秒
（2）推理时间: 39.0 毫秒
（3）后处理时间: 49.2 毫秒
该模型在 NVIDIA GeForce RTX 4070 Ti SUPER 上运行，推理速度较快，适合实时目标检测任务。
运行效果
– 运行 MainProgram.py
1.主要功能：
（1）可用于实时检测目标图片中的舰船目标检测；
（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。
2.检测结果说明：
（1）置信度阈值：当前设置为0.25，表示检测系统只会考虑置信度高于25%的目标进行输出，置信度越高表示模型对检测结果的确信度越高。
（2）交并比阈值：当前设置为0.70，表示系统只会认为交并比（IoU）超过70%的检测框为有效结果。交并比是检测框与真实框重叠区域的比值，用于衡量两个框的相似程度，值越高表明重叠程度越高。
这两个参数通常用于目标检测系统中，调整后可以影响模型的检测精度和误检率。
这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：
用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.049秒。
（2）这显示了模型的实时性，检测速度非常快。
目标数目（Number of objects detected）:
（1）检测到的目标数目为1，表示这是当前检测到的第1个目标。
目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。
目标检测类型：
结果（Result）:
（1）当前选中的结果为 “散货船”，表示系统正在高亮显示检测到的“bulker”。
置信度（Confidence）:
（1）这表示模型对检测到的目标属于“散货船”类别的置信度为93.26%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。
目标位置（Object location）:
（1）xmin: 48, ymin: 89：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 395, ymax: 732：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。
这些坐标表示在图像中的目标区域范围，框定了检测到的“散货船”的位置。
这张图展示了舰船目标的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升舰船目标检测的效率。
3.图片检测说明
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统识别出图片中的舰船目标情况，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统对视频进行实时分析，检测到舰船目标并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别舰船目标，并提供详细的检测结果和置信度评分。
5.摄像头检测说明
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。
检测结果：系统连接摄像头进行实时分析，检测到舰船目标并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明
点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：
图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
（1）图片保存
（2）视频保存
– 运行 train.py
1.训练参数设置
（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。
温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。
2.训练日志结果
这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长：
（1）模型在训练了150轮后，总共耗时 20.194小时。
（2）本次训练使用了 NVIDIA GeForce RTX 4070 Ti SUPER GPU。
（3）表现出较高的训练效率，得益于YOLOv8模型的优化设计和高性能硬件的支持。
验证结果：
（1）mAP@0.5: 平均精度达到 94.7%，模型对目标类别的检测非常精确。
（2）mAP@0.5:0.95: 平均精度在多个 IoU 阈值下为 83.7%，表明模型在更严格的评估标准下表现依然优秀。
速度：
（1）0.1ms 预处理时间
（2）0.6ms 推理时间
（3）0.6ms 后处理时间
（4）总推理速度非常快。
结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。
完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。
总结：
（1）YOLOv8 模型经过 150 次训练后，在检测和分类方面表现优异，尤其在大型舰船（如货船、油轮、游轮）上表现突出。
（2）少数小样本类别（如渔船和潜艇）存在召回率不足的问题，可能需要进一步扩充数据集或采用更高的分辨率输入图像。
（3）模型推理速度快，能够满足实时应用的需求。
远程部署
Tipps：购买后可有偿协助安装，确保运行成功。
– 远程工具：Todesk 、向日葵远程控制软件
– 操作系统：Windows OS
– 客服QQ：3666308803
项目文件
文件目录
Tipps：完整项目文件清单如下：
通过这些完整的项目文件，不仅可以直观了解项目的运行效果，还能轻松复现，全面展现项目的专业性与实用价值！
评论(0)