YOLOv8红外船舶数据集 6000张 yolo格式使用这些数据来训练一个目标检测模型-北京尧图网络

红外船舶数据集 6000张 yolo格式红外船舶数据集 6000张 yolo格式红外船舶数据集包含6000张图片并且已经标注为YOLO格式。我们可以使用这些数据来训练一个目标检测模型。我们使用YOLOv8架构来进行目标检测任务。以下是详细的步骤和代码示例帮助你开始使用这个数据集进行训练和评估。代码仅供参考项目结构ship_detection/ ├── main.py ├── train.py ├── evaluate.py ├── infer.py ├── visualize.py ├── datasets/ │ ├── ship_images/ │ │ ├── images/ │ │ │ ├── train/ │ │ │ └── val/ │ │ ├── labels/ │ │ │ ├── train/ │ │ │ └── val/ │ │ ├── train.txt │ │ └── val.txt ├── best_ship_model.pt ├── requirements.txt └── data.yaml文件内容requirements.txtopencv-python4.5.3.56 torch2.0.0cu117 matplotlib numpy pandas albumentations ultralyticsdata.yaml假设你的数据集自带data.yaml文件其内容应类似于train:./datasets/ship_images/images/trainval:./datasets/ship_images/images/valnc:1# 假设只有一个类别shipnames:[ship]数据准备确认数据集目录结构:确保你的数据集已经按照以下结构组织好datasets/ └── ship_images/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── train.txt └── val.txt检查data.yaml文件:确认data.yaml文件中的路径和类别信息正确无误。训练脚本train.pyfromultralyticsimportYOLO# 设置随机种子以保证可重复性importtorch torch.manual_seed(42)# 定义数据集路径dataset_configdata.yaml# 加载预训练的YOLOv8模型modelYOLO(yolov8n.pt)# 训练模型resultsmodel.train(imgsz640,batch16,epochs50,datadataset_config,weightsyolov8n.pt,nameship_detection,projectruns/train)# 打印训练结果print(results)评估脚本evaluate.pyfromultralyticsimportYOLO# 初始化YOLOv8模型model_pathruns/train/ship_detection/weights/best.pt# 加载模型modelYOLO(model_path)# 评估模型metricsmodel.val(datadata.yaml,imgsz640)# 打印评估结果print(metrics)推理脚本infer.pyfromultralyticsimportYOLOimportcv2importnumpyasnpimportmatplotlib.pyplotasplt# 初始化YOLOv8模型model_pathruns/train/ship_detection/weights/best.ptmodelYOLO(model_path)defdetect_and_visualize(image_path):resultsmodel.predict(sourceimage_path,conf0.25,iou0.45,agnostic_nmsFalse)forresultinresults:boxesresult.boxes.cpu().numpy()im_arrayresult.orig_imgforboxinboxes:rbox.xyxy[0].astype(int)clsint(box.cls[0])confbox.conf[0]labelf{model.names[cls]}{conf:.2f}# 绘制边界框cv2.rectangle(im_array,(r[0],r[1]),(r[2],r[3]),(0,255,0),2)# 绘制标签cv2.putText(im_array,label,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)# 显示图像plt.imshow(cv2.cvtColor(im_array,cv2.COLOR_BGR2RGB))plt.axis(off)plt.show()if__name____main__:image_pathpath/to/your/image.jpg# 替换为你的图像路径detect_and_visualize(image_path)可视化脚本visualize.pyfromultralyticsimportYOLOimportcv2importnumpyasnpimportmatplotlib.pyplotaspltimportrandom# 初始化YOLOv8模型model_pathruns/train/ship_detection/weights/best.ptmodelYOLO(model_path)defvisualize_dataset(dataset_path,num_samples5):withopen(dataset_path,r)asf:linesf.readlines()sample_pathsrandom.sample(lines,num_samples)forpathinsample_paths:pathpath.strip()resultsmodel.predict(sourcepath,conf0.25,iou0.45,agnostic_nmsFalse)forresultinresults:boxesresult.boxes.cpu().numpy()im_arrayresult.orig_imgforboxinboxes:rbox.xyxy[0].astype(int)clsint(box.cls[0])confbox.conf[0]labelf{model.names[cls]}{conf:.2f}# 绘制边界框cv2.rectangle(im_array,(r[0],r[1]),(r[2],r[3]),(0,255,0),2)# 绘制标签cv2.putText(im_array,label,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)# 显示图像plt.imshow(cv2.cvtColor(im_array,cv2.COLOR_BGR2RGB))plt.axis(off)plt.show()if__name____main__:dataset_pathdatasets/ship_images/val.txt# 替换为你的验证集路径visualize_dataset(dataset_path)运行步骤总结克隆项目仓库如果有的话:gitclone https://github.com/yourusername/ship_detection.gitcdship_detection安装依赖项:conda create--nameship_det_envpython3.8conda activate ship_det_env pipinstall-rrequirements.txt准备数据集:确保你的数据集已经按照上述结构组织好。确认data.yaml文件中的路径和类别信息正确无误。训练模型:python train.py评估模型:python evaluate.py运行推理:python infer.py可视化数据集:python visualize.py操作界面选择图片进行检测: 修改infer.py中的image_path变量指向你要检测的图片路径然后运行python infer.py。批量检测: 在visualize.py中设置dataset_path为你想要可视化的数据集路径然后运行python visualize.py。详细解释requirements.txt列出项目所需的所有Python包及其版本。data.yaml配置数据集路径和类别信息用于YOLOv8模型训练。train.py加载预训练的YOLOv8模型并使用自定义数据集进行训练。训练完成后打印训练结果。evaluate.py加载训练好的YOLOv8模型并对验证集进行评估打印评估结果。infer.py对单张图像进行预测并可视化检测结果。visualize.py对数据集中的一些样本进行预测并可视化检测结果。希望这些详细的信息和代码能够帮助你顺利实施和优化你的红外船舶检测系统。

YOLOv8红外船舶数据集 6000张 yolo格式使用这些数据来训练一个目标检测模型

相关推荐

Agno Environments 支持工单分诊（Support Triage）：三类路由规则、难度校准与测试日志详解

不会写代码怎么做电商数据分析？2026年5款零代码工具横评

前端布局回归自动化：从F12手动量宽度到脚本巡检的完整实践

更多资讯

CopilotKit React 的 Agent 访问层：useAgent 与 useAgentContext 完整接入与避坑指南

Sim 服务端协同文档转换模块：markdown 与 Yjs 双向转换的工程实践

InsightFace Server 部署实战：单容器自托管人脸识别服务与 INT8 向量检索详解

百度网盘批量转存工具开发：从接口解析到并发工程化

Langfuse 中的 ClickHouse 最佳实践：Schema 设计、查询优化与写入策略全解析

2026企业AI办公工具选型指南：建立适配业务的评估框架

今日更新

CopilotKit Vue Demo 与 React Demo 的 Parity 实现指南：路由、运行时端点与交互语义的全框架对齐

Harbor RBAC 实战：db_auth 模式下非管理员用户管理项目成员的完整验证与权限模型解析

STM32平衡车纯平衡程序从拆包到参数整定的完整调试指南

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？