企业官网建设流程全解析

从头写一个YOLOv8船舰检测，最容易被忽略的其实是数据。模型选型反而简单：大家条件差不多，YOLOv8就是当前性价比最高的那个选择。我为什么敢这么说？因为这个项目我从数据收集、打标签、训练调参到导出部署全流程跑了两遍，那些只贴一张架构图、给你两句yolo train命令的分享，基本不会告诉你：真正让模型在海面场景里涨点的是哪几个参数，哪些数据会让你白白浪费几天算力。

这篇文章就把一个基于YOLOv8的船舰检测系统从零到落地完全拆开。不是什么纯理论，是我实际做这个项目时的完整记录，包括数据怎么攒、标签怎么打、训练看什么曲线、小目标老是漏检怎么办、最后怎么导出到线上跑起来。后面直接给了代码和配置，照着抄就能少踩一半坑。

适合两类人看：一类是要交作业、要跑通完整检测流程的学生或开发者；另一类是已经在做目标检测，但觉得自己的模型在船舰这类特殊场景下精度不够、误检多，想找优化思路的工程师。我尽量把为什么这么做也讲清楚，你后面碰到类似场景，也知道该怎么调整。

1. 为什么船舰检测场景绕不开YOLOv8

1.1 传统视觉方法在海上场景有多难顶

早些时候做船舰检测，大家常用的是帧差法、背景建模、颜色分割那一套。陆地上简单监控场景还行，一到海面，基本是灾难现场。

海面本身是动态的，波浪一直动，帧差法会把波纹当成前景，导致误检率飙升；阳光、云影、雾气一来，光照剧烈变化，背景建模的模型被搅得乱七八糟。你整体用Canny边缘检测加形态学过滤吧，远处的小船边缘模糊，轮廓被噪声吃掉；近处的大船内部纹理复杂，又可能会出现一堆假轮廓。更不要说夜间、雨雾天，传统视觉方法直接失效。

我当时用传统方法加了一系列滤波规则，花了一个多月调参。最后的结果是：在晴朗白天顺光条件下，准确率勉强能看，一旦天气或光照一变化，误检率就跑到不可用的程度。老实说，在海上做目标检测，传统方法很难在产品里稳定交付。

1.2 YOLOv8相比上一代，强在哪里

深度学习检测方案里，YOLOv8是目前最适合快速落地船舰检测的，这是反复对比之后得出的结论。

官方给的YOLOv8在几个方面明显针对工程落地做了优化：主干网络部分用C2f模块替代了之前YOLOv5的C3，特征梯度回传路径更丰富，对尺度差异较大的目标更友好；检测头改成了解耦结构，分类和回归分支互相不干扰；标签分配策略全面走向anchor-free加动态匹配，这意味着不需要手调锚框参数，密集排列的船队场景下也能有更好的分配效果。

这些改动看起来不复杂，但反映到船舰检测上，直接的好处有两点：一是靠岸停泊的船挨得很近，动态分配策略能更好地把不同目标的框区分开；二是同一张图里同时存在几十米的大船和几十像素的小船，C2f和尺度融合策略让多尺度特征都更充分。单从公开评测指标来看，YOLOv8s在相近算力下通常比YOLOv5s的mAP高2到5个点，速度还不降。

1.3 选型实战：n、s、m、l到底用哪个

YOLOv8官方提供了n、s、m、l、x五个尺寸，很多新手直接选最大的x，觉得精度最高。实际跑下来，船舰检测并不全是模型越大越好。

我最终选的是YOLOv8s。主要原因是训练数据量并不算特别大，用更大的模型容易过拟合，而且推理速度对部署很友好。一个判断标准：如果你的数据量在几千到两三万张这个量级，且单卡训练，那就从s起步；如果数据量很大、算力宽裕，再考虑m。一上来就l、x，训练慢还容易吸收噪声，精度不一定比调好参数的s高。

2. 数据工程，决定了模型的上限

2.1 船舰数据从哪来、攒多少合适

训练YOLOv8模型，最怕的不是调参，而是数据质量太差。船舰检测有它的特殊难点：海面场景复杂，公开数据集数量有限，自采数据需要大量人工标注。

我当时的数据来源主要有三个方向：一是网上能找到的开源海上船只数据集，类别相对粗糙，但作为预训练打底很好用；二是通过海上监控视频、航拍视频截图抽帧，注意隔几帧抽一帧，否则相邻样本高度相似，会导致训练集和验证集信息重叠，评估指标虚高；三是标注一部分无人机航拍的港区视频，这类俯视数据对补全模型视角非常关键。

数据量怎么把握？一般来说，单类目标至少准备800到1500张带标注图片作为底数，整体的训练集建议在3000张以上。如果类别较多，比如要分货船、油轮、渔船、军舰等五六个类别，那总张数最好加到8000张以上。数量特别少的类别，还得分外留意过拟合问题。

2.2 类别体系别凭直觉拍脑袋

这是我从失败案例里总结出来的最重要的教训之一。最开始做船舰检测时，我参考某些文献把类别分得非常细：散货船、集装箱船、油轮、渔船、工作船、客运船……单看数据分布，有个别类别只有几十张样本。训练出来，mAP50指标看起来好像还行，实际一测，模型把渔船反复识别成工作船，把散货船漏一半。

为什么？因为船舰类别之间存在大量视觉相似性，特别是从侧面、远距离、逆光拍摄时，不同船型的轮廓和纹理很难区分。标注人员自己也经常分不清具体船型，标签噪声一大，模型学到的就是混乱的边界。

后来我把类别合并成三大类：货船（含集装箱船、散货船、油轮这类大型商船）、渔船、其他船舶。结果出乎意料的好——各指标都往上走，误检率下降明显。这个取舍的本质是：当你没有大量高质量细粒度标注时，让模型先把是大船还是小船、是渔船还是商船分清，比强行分船型更实用。二分类或三分类的检测系统在真实业务里完全够用，后续有足够数据再细分也不迟。

2.3 标签怎么打，YOLO格式是什么

船舰检测的标注工具，我用过LabelImg，也用过更现代的X-AnyLabeling（支持SAM辅助分割）。如果数据量上千，强烈建议用带辅助标注的工具，效率高一倍。不管用哪个工具，导出的格式尽量统一成YOLO格式，因为YOLOv8原生支持，不用转换。

YOLO格式的标签文件是文本文件，每行表示一个目标，格式是：

class_id x_center y_center width height

注意四个坐标值都是归一化到0到1之间的相对值，也就是用目标中心点的相对坐标和宽高相对图片宽高的比例。比如一张1920x1080的图，一艘船的中心点在(960, 540)，目标框尺寸是(480, 270)，那么对应的标签就是：

0 0.5 0.5 0.25 0.25

为什么会踩坑？有一回我从某个开源工具导出标签，格式直接给成了左上角和右下角的绝对坐标。YOLOv8读进去完全不报错但也不产生任何正确训练信号，loss反而不降，排查了半天。所以第一步先确认标签格式有没有错，再谈调参。

标注目录结构一定要按下面这种组织方式：

datasets/ship/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── ship.yaml

训练集和验证集要在图片侧和标签侧对应同名，验证集比例建议15%到20%。我通常从全部数据里先按视频来源或场景分组，再随机划分，避免同一镜头下的连续帧同时出现在训练集和验证集里。

2.4 数据清洗不是走过场

有些样本是必须删掉的，我总结下来有几类：目标占比不到全图2%的极小目标样本，标注难度大、噪声高；严重模糊、过曝、完全看不清船的样本；同一场景下重复度极高的帧；半艘船紧贴图像边缘导致标注框被切割严重的样本。

另外，海面反光区域多，如果样本里大量出现刺眼的白光区域，模型很容易学会"看到亮斑就认为是船"。我当时专门建了一个难例集，把含有玻璃反光、浪花反光、码头白色顶棚的负样本标注为背景，然后模型误检率明显下降。这里注意，你说不清是什么目标的复杂区域，宁可不标，也不要瞎标一个类别，不然就是把噪声喂给模型。

数据增强方面，YOLOv8默认开启mosaic、随机翻转、HSV扰动等策略，对船舰场景来说，默认的就够用。我额外只增强了旋转，因为航拍和监控视角下船的方向不固定。要注意别用那种把目标压扁拉伸太狠的增强，比如极端透视变换，会把远处小船的形状破坏得一塌糊涂，反而降低精度。

3. 训练全流程，从环境到出权重

3.1 环境准备和项目结构

训练YOLOv8需要Python环境、PyTorch和ultralytics库。推荐直接用Python 3.9或3.10，配合CUDA版PyTorch，显卡驱动装对版本就行。

conda create -n ship python=3.10 conda activate ship pip install ultralytics

如果显卡是NVIDIA且显存足够，安装完就可以用GPU训练；实在没有GPU运行环境，CPU也能训练，但建议把epoch数降低，先用极小样本验证全流程能跑通。

3.2 写数据配置和训练命令

数据配置文件ship.yaml内容很简单：

path: ../datasets/ship train: images/train val: images/val nc: 3 names: 0: cargo 1: fishing 2: other

nc是类别数量，names是类别名字。这个配置一定要和标签里的class_id对齐，否则类别错乱到怀疑人生。

训练命令是这样：

yolo detect train data=ship.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 device=0

几个参数需要解释清楚：

• model=yolov8s.pt：使用官方预训练的权重作为起点。千万别从头训练，因为COCO预训练权重里已经包含了对"物体一般特征"的抽象，从这里起步，船舰特征能快速迁移，训练几百轮很快收敛。从零随机初始化的话，同等数据量下效果差很多。
• epochs=200：船舰数据集规模不算特别大，200轮足够。我一般配合早停机制，当验证集指标连续30轮不提升就自动停止。
• batch=16：根据显卡显存调整。在16G显存以下，建议8或16；显存越大可以越大，前提是别爆显存。
• imgsz=640：默认值，精度和速度的平衡点。如果你的场景里远处小船特别多，建议改成960，这个会在后面详细说。

训练时日志会输出每个epoch的box_loss、cls_loss、dfl_loss，以及precision、recall、mAP50、mAP50-95。不要只盯着训练集loss，重点看验证集mAP。训练集loss一直降、验证集指标不升反降，那就是过拟合了。

3.3 训练要盯哪几个关键曲线

训练过程最值得盯的曲线，第一是验证集的mAP50和mAP50-95，这两个直接反映模型的实际检测能力；第二是验证集的召回率recall，船舰检测里漏检比误检更致命，召回率上不去，说明有小船群体性漏掉。

我当时有一个典型跑偏经历：训练到80轮时mAP50已经不错了，但recall始终卡在0.7附近。后来发现是验证集里有很多几百米外的小目标，模型在640尺度下根本看不出来。解决办法是提高训练和推理的输入尺寸。用960尺寸重新跑了一遍后，recall提升了大概五个点。

训练完成之后，会在runs/detect/train目录下生成weights/best.pt和last.pt。注意细节：best.pt是验证集指标最好的权重，last.pt是最后一轮权重；除非最后一轮恰好最好，否则一律用best.pt做推理。

4. 精度优化，船舰场景涨点实操

4.1 小目标检测是最大的坎

船舰检测最核心的难点就是小目标。与普通物体不同，船在海上很远的地方只占几十个像素，640尺度输入时，经过特征提取网络的下采样，小目标的特征空间非常有限，容易丢失。

处理办法主要有几个：

提升输入图片分辨率是第一步。把imgsz从640调整到960，甚至1280，对远处小目标有直接的提升。代价是推理速度变慢、显存占用升高。对于离线分析场景，这完全值得。我的实测数据是：imgsz从640到960，mAP50大约提升了3到5个点，recall提升更明显。

如果进一步提升到1280，收益开始递减，训练时间却大幅增加，性价比不高。因此我最后选择了960作为训练和推理的统一尺度。注意训练和推理的imgsz保持一致，不然训练用960，推理用640，等于把模型的输入分布改变了，效果反而打折。

还有一种思路是在推理时使用切片（tiling）策略，把大图切块分别推理再合并。这个方案对超大分辨率图效果不错，但会带来明显的速度损失，实时视频流场景基本不适合，我一般只在单张大幅航拍图分析时用。

4.2 类别不均衡怎么办

船舰检测数据常见的现象是货船样本很多、渔船样本很少，个别类别占比不到10%。模型天然偏向样本多的类别，导致少样本类别召回极差。

解决办法排序下来：第一优先是增加少样本类别的图片数量，哪怕是网上额外下载或从不同视频中截取，为每个少样本类别凑到足够的标注样本；其次是对少样本类别的图片做离线增强，复制粘贴、旋转、缩放，扩大这类目标在训练中的出现频率；再不行，就在训练配置里通过修改损失权重或数据采样比例来强行加权，让模型更关注这类样本。

我试过单纯靠调loss权重把渔船检测拉起来，有效果，但mAP50-95会有点波动，不如直接加数据来得干净。所以建议把重心放到数据层面。

4.3 实际业务中误检的处理思路

海面场景的误检经常集中在几种情况：海面亮斑、码头白棚、海浪浪花、云层边缘。模型会把纹理简单、边缘锐利的区域当成船。

这时候最有效的方法不是调阈值，而是收集误检样本并标注为背景，加到训练集里重新训练一轮。注意YOLO格式里背景类不需要额外标签，但你需要把对应的"有假目标"图片原图放进训练集，模型在迭代中会学到这些区域并不是目标。

另外推理时设置合适的置信度阈值也很关键。你可以在验证集上画出precision-recall曲线，找一个准确率和召回率平衡点作为阈值。船舰检测实际使用中，我一般把conf设到0.25到0.35之间，iou设到0.5。conf太低会一堆误检，太高又会漏检。

5. 部署推理，模型不是训练完就完事

5.1 导出ONNX和TensorRT

训练好的best.pt还不能直接扔到生产环境，YOLOv8的PyTorch推理在CPU上慢，在GPU上也只是够用。要真正工程化，需要先导出。

导出ONNX格式是最通用的做法：

yolo export model=best.pt format=onnx simplify=True imgsz=960

导出后可以用下面的Python代码快速验证一遍效果：

from ultralytics import YOLO model = YOLO("best.pt") results = model.predict("test.jpg", conf=0.3, iou=0.5) for r in results: boxes = r.boxes for box in boxes: cls = int(box.cls[0]) conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() print(f"类别: {cls}, 置信度: {conf:.3f}, 坐标: {xyxy}")

如果目标环境是NVIDIA GPU且追求极致性能，再进一步导出TensorRT engine：

yolo export model=best.pt format=engine device=0 half=True imgsz=960

TensorRT导出后推理速度能提升1.5倍以上，显存占用也更低。

5.2 视频流的实时检测怎么搭

船舰检测落到实际业务里，多数是处理视频流或者定时抓拍的图片。实时视频检测的基本套路是循环读取帧，推理，画框，再输出。核心代码骨架大致长这样：

import cv2 from ultralytics import YOLO model = YOLO("best.pt") cap = cv2.VideoCapture("harbor.mp4") while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model.predict(frame, conf=0.3, iou=0.5) annotated = results[0].plot() cv2.imshow("ship detect", annotated) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

如果视频流分辨率很高，比如4K监控，直接整帧推理速度会很慢。我的做法是先把帧缩放到模型输入尺寸，得到检测框坐标后，再按缩放比例映射回原图坐标。需要注意的是，检测框坐标是相对缩放后图像的，映射回原图时要把x、y、w、h都按原图缩放倍数放大。

5.3 几种部署方案的取舍

如果你只是自己跑通项目、交个作业，PyTorch直接推理就够了。如果是部署到服务器，ONNX是性价比最高的选择，生态好、跨平台。如果服务要求高实时，再上TensorRT。移动端或边缘盒子，那得做量化并导出NCNN格式，这是另一个话题。

6. 常见问题排查，帮你省几天时间

6.1 典型问题速查表

6.2 我踩过最深的几个坑

第一个坑是盲目追求大模型。我一开始直接用YOLOv8x训练，数据量只有几千张，跑了三天，结果mAP还不如后来用s模型调参的结果。不要迷信模型越大越强，数据和参数的匹配度更重要。

第二个坑是训练和推理不一致。训练时用960，导出模型时又图省事用640，导致部署后检测效果明显变差。这个问题很隐蔽，因为它不报错，只会悄悄降精度。任何时候导出和推理，都要把imgsz锁死。

第三个坑是类别定义。前面提到的船型细分导致标注不一致的问题，其实根源在标注规范。你要是决定分四类以上，前期必须给标注人员提供一份带示例图的标注规范，什么样的船叫什么名字、什么样的角度怎么标，全部写清楚。否则标注噪声会让你后期疯狂调参也补不回来。

6.3 个人经验的最后几句话

做完整套基于YOLOv8的船舰检测系统，我最直观的体会是：这类目标检测项目拼的不再是模型结构，而是数据质量和工程取舍。YOLOv8把算法层面的事情已经压得非常低，你不需要去改网络结构，也不需要手写NMS，真正拉开差距的是你有没有把数据洗干净、把类别定义合理、把阈值设对、把部署链路跑通。

如果你要我给一个最简单的复现路径，那就是：先用公开海上船舰数据集合并自采数据，做三分类，用YOLOv8s在imgsz=960下训练200轮，然后导出ONNX部署。这条路径我已经完整验证过，指标够用，踩坑最少。

最后再分享一个小技巧：训练完不要急着交差。挑十几张最典型的包含小型船只的图片做推理测试，把检测效果可视化看一下。很多时候mAP看着漂亮，但你的场景里偏偏有那种所有模型都认不出来的极端目标。可视化检查一遍，比盯十个指标都管用。