摘要本文基于YOLO26目标检测算法构建了一套船舶分类识别检测系统用于对五类常见船舶集装箱船、游轮、军舰、滚装船、油轮进行自动识别与定位。系统在包含3,721张标注图像的数据集上进行训练与评估其中训练集3,232张验证集339张测试集150张。实验结果表明模型在验证集上的整体mAP50达到0.879mAP50-95达到0.875平均精度为0.843召回率为0.85。各类别中游轮和军舰的识别效果最佳mAP50分别为0.941和0.924油轮的识别效果相对较差mAP50为0.703。混淆矩阵分析显示油轮与集装箱船之间存在一定的类别混淆现象。总体而言本系统具备良好的船舶识别能力可为海上交通监控、港口管理和军事侦察等应用提供技术支持。引言随着全球海洋运输和海上活动的日益频繁船舶的自动识别与监控成为海上安全管理、港口调度、环境保护和国防安全等领域的关键技术需求。传统的船舶识别方法多依赖人工观察或AIS船舶自动识别系统信号存在覆盖范围有限、信号易受干扰、无法识别非合作目标等局限性。基于视觉图像的船舶识别技术尤其是结合深度学习目标检测算法的方法能够有效弥补上述不足实现对各类船舶的自动检测与分类。YOLOYou Only Look Once系列算法作为单阶段目标检测的代表性方法凭借其检测速度快、精度高、易于部署等优势在工业界和学术界得到了广泛应用。近年来YOLO算法不断迭代在船舶检测任务中也展现出优异的性能。然而船舶类别多样、外形相似、尺度差异大、背景复杂如海面波浪、光照变化、部分遮挡等因素给船舶细粒度分类带来了挑战。为此本文基于YOLO26算法构建了一套船舶分类识别检测系统针对五类常见船舶进行训练与优化。本文将详细介绍系统的背景、数据集构建方法、模型训练过程及结果分析旨在为船舶智能识别系统的实际部署提供参考。目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍1. 类别定义2. 数据集划分训练结果总体性能评价​编辑各类别性能分析训练过程分析​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景随着全球经济一体化的深入发展国际贸易总量持续增长其中约90%的货物通过海上运输完成。与此同时海上船舶数量急剧增加航线密度不断提高港口吞吐量屡创新高。这种发展态势对海上交通管理、港口作业调度、船舶航行安全以及海洋权益保护提出了更高的要求。传统的人工瞭望、雷达监控和AIS信号接收等方式在面对日益复杂的海上环境时逐渐暴露出响应滞后、信息不全、易受干扰等问题。尤其是在近海、港口、海峡等船舶密集区域快速准确地识别船舶类型对于预防碰撞事故、打击走私偷渡、保障航道畅通具有重要意义。在军事领域船舶识别同样扮演着不可或缺的角色。现代海战中能否在第一时间准确识别敌方舰船的类型、型号及其作战能力直接影响指挥决策和战术部署。非合作目标如关闭AIS的船舶、伪装船舶的存在使得仅依赖电子信号的识别手段显得力不从心。视觉图像识别作为一种被动、无接触的感知方式能够在敌方无预警的情况下获取关键情报因此受到各国军方的高度重视。近年来深度学习技术特别是卷积神经网络CNN的快速发展为船舶视觉识别带来了新的契机。目标检测算法从早期的两阶段方法如Faster R-CNN演进到单阶段方法如YOLO、SSD在检测精度和速度之间取得了更好的平衡。其中YOLO系列算法因其端到端的检测结构、实时处理能力和良好的迁移学习特性成为船舶检测任务的热门选择。数据集介绍1. 类别定义本系统共包含5个船舶类别具体如下类别名称英文名称说明集装箱船Container Ship甲板上载有成排集装箱的货船游轮Cruise Ship用于载客旅游的大型客船通常有多层甲板军舰Military Ship包括驱逐舰、护卫舰、航空母舰等军用舰艇滚装船RORO车辆可直接驶入驶出的滚装运输船油轮Tanker运输石油或液化天然气的液货船2. 数据集划分数据集总图像数量为3,721张按照训练、验证、测试三部分划分数据集图像数量用途训练集3,232张模型参数学习验证集339张超参数调整与模型选择测试集150张最终性能评估训练结果总体性能评价整体表现良好模型已达到可用水平。整体 mAP50 0.879在船舶检测任务中属于不错的成绩整体 mAP50-95 0.875说明模型在不同IoU阈值下表现稳定召回率 0.85精度 0.843两者较为均衡各类别性能分析类别mAP50精度召回率评价Cruise Ship0.9410.9050.889最佳RORO0.9300.8590.968召回率极高Military Ship0.9240.9160.919均衡优秀Container Ship0.8940.8460.828良好Tanker0.7030.6920.647最弱训练过程分析从results.png可见loss曲线平稳下降无过拟合迹象mAP50和mAP50-95同步上升收敛良好Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频