拓冰网站定制 
简介本资源为面向YOLO目标检测学习者的卫星遥感舰船检测数据集适用于遥感图像识别、海上目标监测等场景可帮助初学者与进阶开发者快速开展模型训练与验证。压缩包共2000个文件约418.47MB以1986个xml标注文件为主另含少量html教程、txt说明与py脚本标签覆盖voc、coco和yolo三种格式分别存放于不同文件夹可直接接入YOLO系列检测框架。资源附赠环境搭建、训练案例教程及数据集划分脚本支持按需生成训练集、验证集与测试集并输出ImageSets下的划分文件。已有650人学习下载读者可借此获得真实场景的高质量标注数据、多格式标签转换参考以及完整的训练与划分流程便于对照案例修改并训练自己的数据集减少数据准备与格式适配的重复工作。1. 从一份 5000 张的卫星遥感舰船数据集说起卫星遥感舰船检测这件事难点从来不在模型结构而在数据。海面背景单一、目标尺度极小、港口密集停靠、云雾遮挡、尾迹干扰这些场景决定了你拿 COCO 的预训练权重直接推理召回率会难看到怀疑人生。一份 5000 张规模、同时给出 VOC、COCO、YOLO 三种标签格式并附带划分脚本和训练教程的数据集价值就在于把最耗时的标注和对齐环节省掉让你把精力放在训练策略和部署上。这份数据集适合三类人一是做遥感方向课程设计或毕设的学生需要一份能跑通全流程的现成数据二是想把 YOLO 落到实际业务里的工程师需要验证小目标检测的调参边界三是做边缘部署的开发者想拿舰船这类高对比度目标先跑通链路。下面按「格式怎么选、脚本怎么跑、模型怎么训、坑在哪」的顺序讲清楚每一步都给可复现的命令和参数。2. VOC、COCO、YOLO 三种标签格式的差异与转换逻辑2.1 三种格式的坐标表示与目录结构同一批图片三种格式描述的是同一件事但坐标基准和文件组织完全不同。VOC 用左上角和右下角的绝对像素坐标一张图一个 XMLCOCO 用一个 JSON 汇总全部标注坐标是[x, y, width, height]的绝对像素YOLO 则是每张图一个 txt每行class cx cy w h全部归一化到 0 到 1 之间。格式坐标类型文件组织类别字段典型用途VOC绝对像素 xmin/ymin/xmax/ymax每图一个 XMLname 字符串传统检测框架、标注工具默认导出COCO绝对像素 x/y/w/h单个 annotations.jsoncategory_id 整数多任务、分割、评估指标统一YOLO归一化 cx/cy/w/h每图一个 txtclass_id 整数YOLO 系列直接训练选哪个取决于你的训练框架。用 Ultralytics 系列就直接吃 YOLO 格式用 MMDetection 或 Detectron2 就走 COCO用老一代框架或需要和标注工具对接就留 VOC。数据集同时给三种本质是让你不用自己写转换。2.2 用 Python 在三种格式之间互转转换的核心是坐标基准的换算。下面这段把 VOC 的 XML 批量转成 YOLO 的 txt注意归一化时用的是图片真实宽高不是标注里的size字段因为部分标注工具的size会写错。import os import xml.etree.ElementTree as ET from PIL import Image CLASSES [ship] # 类别顺序必须和训练时的 data.yaml 一致 def voc_to_yolo(xml_dir, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img_name root.find(filename).text # 用真实图片尺寸避免 size 字段不准 with Image.open(os.path.join(img_dir, img_name)) as im: w, h im.size lines [] for obj in root.iter(object): cls obj.find(name).text if cls not in CLASSES: continue cls_id CLASSES.index(cls) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转成中心点 宽高再归一化 cx (xmin xmax) / 2.0 / w cy (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) with open(os.path.join(out_dir, xml_file.replace(.xml, .txt)), w) as f: f.write(\n.join(lines))逻辑说明先读 XML 拿到绝对坐标再用PIL打开原图取真实宽高做归一化最后按 YOLO 的class cx cy w h顺序写出。参数上CLASSES的顺序决定了class_id一旦训练中途改动这个列表之前训的权重就废了所以定下来就别动。cx保留 6 位小数是 YOLO 官方推荐的精度太少会丢小目标的位置信息。反过来YOLO 转 COCO 时要注意category_id从 1 开始而不是 0这是 COCO 的约定写成 0 会让评估脚本报错。转换脚本里还要补images、annotations、categories三个顶层字段缺一个pycocotools就加载失败。2.3 划分脚本怎么用才不出错数据集自带的划分脚本通常做三件事按比例切 train/val/test、保证同一场景的图片不被切散、生成对应的 txt 清单。跑之前先确认两件事图片和标签是否同名同目录以及类别是否只有一类。# 常见调用方式具体参数以脚本 --help 为准 python split_dataset.py \ --images ./images \ --labels ./labels \ --train-ratio 0.8 \ --val-ratio 0.1 \ --test-ratio 0.1 \ --seed 42 \ --output ./dataset参数说明--seed固定随机种子保证每次划分结果一致方便复现三个比例加起来必须等于 1否则脚本一般会直接报错--output下会生成images/train、labels/train这样的镜像结构。这里最容易踩的坑是划分后标签和图片路径对不上训练时表现为「找到 0 张图片」解决方法是划分完立刻用一条命令核对数量。# 核对图片和标签数量是否一致 find ./dataset/images/train -type f | wc -l find ./dataset/labels/train -type f | wc -l两个数字必须相等。如果标签多出来说明有孤立 txt如果图片多出来说明有图没标训练时这些图会被当成纯背景反而拉低召回。3. 用 YOLO 训练舰船检测模型的完整流程3.1 环境配置与 data.yaml 写法环境这块Anaconda 建一个独立环境最省事Python 版本选 3.9 到 3.11 之间太新或太旧都可能碰到依赖编译问题。装 Ultralytics 一条命令就够GPU 用户记得先确认 CUDA 和 PyTorch 版本匹配。conda create -n ship python3.10 -y conda activate ship pip install ultralytics # 验证 GPU 是否可用 python -c import torch; print(torch.cuda.is_available())data.yaml是训练的入口配置路径写错是最常见的失败原因。相对路径是相对于data.yaml所在目录解析的不是相对于你执行命令的目录这点和很多人的直觉相反。path: ./dataset # 数据集根目录 train: images/train # 相对 path 的路径 val: images/val test: images/test nc: 1 # 类别数舰船只有一类就写 1 names: [ship] # 顺序必须和标签里的 class_id 对应nc和names长度必须一致names的顺序必须和生成标签时的CLASSES完全对应。改错这两处模型会学出一个永远预测错类别的结果而且 loss 看起来还在正常下降非常隐蔽。3.2 训练命令与关键参数怎么设遥感舰船属于典型小目标场景直接套默认参数效果一般。下面这条命令是我在 5000 张规模上比较稳的一组配置。yolo detect train \ modelyolov8s.pt \ data./data.yaml \ epochs150 \ imgsz1024 \ batch8 \ lr00.01 \ lrf0.01 \ mosaic1.0 \ scale0.5 \ patience30 \ device0 \ project./runs \ nameship_v1参数说明imgsz1024是关键舰船在遥感图里往往只有十几个像素用默认的 640 会把目标缩到几乎消失放大输入尺寸是最直接的提升手段代价是显存和训练时间batch8配合 1024 输入8G 显存基本能跑显存不够就降到 4 并开ampTruemosaic1.0做四图拼接增强对小目标密集场景帮助明显patience30表示 30 轮没提升就早停避免过拟合lrf0.01是最终学习率相对初始值的比例配合余弦退火收尾更平滑。如果显存实在紧张可以退一步用imgsz768但别低于 640否则小目标召回会掉得很难看。训练过程中重点盯mAP50-95而不是mAP50前者对定位精度更敏感舰船检测里框得准比框得全更重要。3.3 训练日志里该看什么、不该看什么训练启动后runs/ship_v1/下会生成results.csv、weights/、若干可视化图。results.csv里每列对应一个指标用 pandas 扫一眼趋势比盯着终端刷屏高效。import pandas as pd df pd.read_csv(runs/ship_v1/results.csv) df.columns df.columns.str.strip() # 列名常带空格先清理 print(df[[epoch, train/box_loss, metrics/mAP50-95]].tail(10))逻辑说明train/box_loss持续下降但metrics/mAP50-95停滞说明模型在过拟合训练集该加增强或减轮数两者一起震荡多半是学习率偏大把lr0降到 0.005 试试。不要只看 loss 下降就以为训练成功验证集指标才是判断依据。提示训练中途不要随意改data.yaml的类别顺序或数量已经训了一半的权重和新的类别定义不兼容只能从头再来。4. 推理、评估与置信度门限的调优4.1 用训练好的权重跑推理训练完拿best.pt做推理命令行和 Python 两种方式都要会前者适合批量跑后者适合嵌进业务代码。yolo detect predict \ modelruns/ship_v1/weights/best.pt \ source./dataset/images/test \ imgsz1024 \ conf0.25 \ iou0.5 \ saveTrue \ save_txtTrue参数说明conf0.25是置信度门限低于它的框直接丢弃iou0.5是 NMS 的重叠阈值港口密集停靠场景可以适当调高到 0.6避免相邻船只被误合并save_txtTrue会把预测结果按 YOLO 格式存下来方便和真值做对比分析。4.2 置信度门限与 NMS 阈值怎么联合调这两个参数不是独立的。门限调低召回上去了但误检变多NMS 阈值调低又会把密集目标里的真框压掉。遥感舰船场景里海面杂波和云边缘是主要误检来源港口密集停靠是主要漏检来源两者要用不同策略。场景conf 建议iou 建议原因开阔海面单船0.35 到 0.450.5背景干净提高门限压误检港口密集停靠0.2 到 0.250.6 到 0.7降低门限保召回放宽 NMS 防合并云雾遮挡0.15 到 0.20.5目标特征弱门限必须压低调参时不要凭感觉用验证集跑一组网格把conf从 0.1 到 0.5 按 0.05 步进记录每个点的精确率和召回率画一条 PR 曲线选 F1 最高的那个点作为业务门限。这一步花十分钟比上线后反复改代码划算得多。4.3 用验证集指标判断模型是否可用yolo detect val会输出每个类别的 P、R、mAP50、mAP50-95。舰船检测里如果 mAP50 高但 mAP50-95 低说明框得大致对但不够准多半是标注框本身有偏差或者输入尺寸不够如果两者都低先回去查标签格式和类别对应八成是数据问题而不是模型问题。yolo detect val \ modelruns/ship_v1/weights/best.pt \ data./data.yaml \ imgsz1024 \ conf0.001 \ iou0.6验证时conf设成 0.001 是为了让评估脚本拿到全部预测框再统一算 AP这是标准做法不要用推理时的业务门限去评估否则指标会虚高。5. 小目标漏检与边缘部署的实战技巧小目标漏检是遥感舰船检测最顽固的问题除了放大imgsz还有几个成本更低的技巧。一是切片推理把大图切成带重叠的子图分别检测再合并代价是推理时间成倍增加适合离线批处理二是调整 anchor 或改用无锚框结构让模型对小尺度更敏感三是训练时开copy_paste增强把稀有尺度目标复制粘贴到不同背景缓解尺度不均衡。边缘部署时模型体积和推理延迟是硬约束。常见做法是先把best.pt导出成 ONNX 或 TensorRT再在目标设备上跑。# 导出 ONNX动态 batch 方便批量推理 yolo export modelruns/ship_v1/weights/best.pt formatonnx imgsz1024 dynamicTrue simplifyTrue # 导出 TensorRT半精度适合 NVIDIA 边缘设备 yolo export modelruns/ship_v1/weights/best.pt formatengine imgsz1024 halfTrue device0参数说明dynamicTrue让导出的 ONNX 支持可变 batch部署时不用固定输入数量halfTrue用 FP16 推理速度提升明显精度损失在舰船这类高对比度目标上通常可以接受simplifyTrue会做图优化去掉冗余算子部分推理引擎对未简化的图支持不好。部署后误检率高先别急着换模型按这个顺序排查输入预处理是否和训练时一致尤其是归一化和通道顺序后处理的conf和iou是否沿用了训练时的默认值而不是业务调优值图像缩放是否用了和训练相同的插值方式。这三处对不上模型再好也会表现失常。最后把线上误检的图定期回收人工筛一遍补进训练集迭代两三轮误检率通常能降一个台阶。本文还有配套的精品资源点击获取 卫星遥感舰船检测数据集：VOC/COCO/YOLO格式转换与YOLO训练实战
简介本资源为面向YOLO目标检测学习者的卫星遥感舰船检测数据集适用于遥感图像识别、海上目标监测等场景可帮助初学者与进阶开发者快速开展模型训练与验证。压缩包共2000个文件约418.47MB以1986个xml标注文件为主另含少量html教程、txt说明与py脚本标签覆盖voc、coco和yolo三种格式分别存放于不同文件夹可直接接入YOLO系列检测框架。资源附赠环境搭建、训练案例教程及数据集划分脚本支持按需生成训练集、验证集与测试集并输出ImageSets下的划分文件。已有650人学习下载读者可借此获得真实场景的高质量标注数据、多格式标签转换参考以及完整的训练与划分流程便于对照案例修改并训练自己的数据集减少数据准备与格式适配的重复工作。1. 从一份 5000 张的卫星遥感舰船数据集说起卫星遥感舰船检测这件事难点从来不在模型结构而在数据。海面背景单一、目标尺度极小、港口密集停靠、云雾遮挡、尾迹干扰这些场景决定了你拿 COCO 的预训练权重直接推理召回率会难看到怀疑人生。一份 5000 张规模、同时给出 VOC、COCO、YOLO 三种标签格式并附带划分脚本和训练教程的数据集价值就在于把最耗时的标注和对齐环节省掉让你把精力放在训练策略和部署上。这份数据集适合三类人一是做遥感方向课程设计或毕设的学生需要一份能跑通全流程的现成数据二是想把 YOLO 落到实际业务里的工程师需要验证小目标检测的调参边界三是做边缘部署的开发者想拿舰船这类高对比度目标先跑通链路。下面按「格式怎么选、脚本怎么跑、模型怎么训、坑在哪」的顺序讲清楚每一步都给可复现的命令和参数。2. VOC、COCO、YOLO 三种标签格式的差异与转换逻辑2.1 三种格式的坐标表示与目录结构同一批图片三种格式描述的是同一件事但坐标基准和文件组织完全不同。VOC 用左上角和右下角的绝对像素坐标一张图一个 XMLCOCO 用一个 JSON 汇总全部标注坐标是[x, y, width, height]的绝对像素YOLO 则是每张图一个 txt每行class cx cy w h全部归一化到 0 到 1 之间。格式坐标类型文件组织类别字段典型用途VOC绝对像素 xmin/ymin/xmax/ymax每图一个 XMLname 字符串传统检测框架、标注工具默认导出COCO绝对像素 x/y/w/h单个 annotations.jsoncategory_id 整数多任务、分割、评估指标统一YOLO归一化 cx/cy/w/h每图一个 txtclass_id 整数YOLO 系列直接训练选哪个取决于你的训练框架。用 Ultralytics 系列就直接吃 YOLO 格式用 MMDetection 或 Detectron2 就走 COCO用老一代框架或需要和标注工具对接就留 VOC。数据集同时给三种本质是让你不用自己写转换。2.2 用 Python 在三种格式之间互转转换的核心是坐标基准的换算。下面这段把 VOC 的 XML 批量转成 YOLO 的 txt注意归一化时用的是图片真实宽高不是标注里的size字段因为部分标注工具的size会写错。import os import xml.etree.ElementTree as ET from PIL import Image CLASSES [ship] # 类别顺序必须和训练时的 data.yaml 一致 def voc_to_yolo(xml_dir, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img_name root.find(filename).text # 用真实图片尺寸避免 size 字段不准 with Image.open(os.path.join(img_dir, img_name)) as im: w, h im.size lines [] for obj in root.iter(object): cls obj.find(name).text if cls not in CLASSES: continue cls_id CLASSES.index(cls) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转成中心点 宽高再归一化 cx (xmin xmax) / 2.0 / w cy (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) with open(os.path.join(out_dir, xml_file.replace(.xml, .txt)), w) as f: f.write(\n.join(lines))逻辑说明先读 XML 拿到绝对坐标再用PIL打开原图取真实宽高做归一化最后按 YOLO 的class cx cy w h顺序写出。参数上CLASSES的顺序决定了class_id一旦训练中途改动这个列表之前训的权重就废了所以定下来就别动。cx保留 6 位小数是 YOLO 官方推荐的精度太少会丢小目标的位置信息。反过来YOLO 转 COCO 时要注意category_id从 1 开始而不是 0这是 COCO 的约定写成 0 会让评估脚本报错。转换脚本里还要补images、annotations、categories三个顶层字段缺一个pycocotools就加载失败。2.3 划分脚本怎么用才不出错数据集自带的划分脚本通常做三件事按比例切 train/val/test、保证同一场景的图片不被切散、生成对应的 txt 清单。跑之前先确认两件事图片和标签是否同名同目录以及类别是否只有一类。# 常见调用方式具体参数以脚本 --help 为准 python split_dataset.py \ --images ./images \ --labels ./labels \ --train-ratio 0.8 \ --val-ratio 0.1 \ --test-ratio 0.1 \ --seed 42 \ --output ./dataset参数说明--seed固定随机种子保证每次划分结果一致方便复现三个比例加起来必须等于 1否则脚本一般会直接报错--output下会生成images/train、labels/train这样的镜像结构。这里最容易踩的坑是划分后标签和图片路径对不上训练时表现为「找到 0 张图片」解决方法是划分完立刻用一条命令核对数量。# 核对图片和标签数量是否一致 find ./dataset/images/train -type f | wc -l find ./dataset/labels/train -type f | wc -l两个数字必须相等。如果标签多出来说明有孤立 txt如果图片多出来说明有图没标训练时这些图会被当成纯背景反而拉低召回。3. 用 YOLO 训练舰船检测模型的完整流程3.1 环境配置与 data.yaml 写法环境这块Anaconda 建一个独立环境最省事Python 版本选 3.9 到 3.11 之间太新或太旧都可能碰到依赖编译问题。装 Ultralytics 一条命令就够GPU 用户记得先确认 CUDA 和 PyTorch 版本匹配。conda create -n ship python3.10 -y conda activate ship pip install ultralytics # 验证 GPU 是否可用 python -c import torch; print(torch.cuda.is_available())data.yaml是训练的入口配置路径写错是最常见的失败原因。相对路径是相对于data.yaml所在目录解析的不是相对于你执行命令的目录这点和很多人的直觉相反。path: ./dataset # 数据集根目录 train: images/train # 相对 path 的路径 val: images/val test: images/test nc: 1 # 类别数舰船只有一类就写 1 names: [ship] # 顺序必须和标签里的 class_id 对应nc和names长度必须一致names的顺序必须和生成标签时的CLASSES完全对应。改错这两处模型会学出一个永远预测错类别的结果而且 loss 看起来还在正常下降非常隐蔽。3.2 训练命令与关键参数怎么设遥感舰船属于典型小目标场景直接套默认参数效果一般。下面这条命令是我在 5000 张规模上比较稳的一组配置。yolo detect train \ modelyolov8s.pt \ data./data.yaml \ epochs150 \ imgsz1024 \ batch8 \ lr00.01 \ lrf0.01 \ mosaic1.0 \ scale0.5 \ patience30 \ device0 \ project./runs \ nameship_v1参数说明imgsz1024是关键舰船在遥感图里往往只有十几个像素用默认的 640 会把目标缩到几乎消失放大输入尺寸是最直接的提升手段代价是显存和训练时间batch8配合 1024 输入8G 显存基本能跑显存不够就降到 4 并开ampTruemosaic1.0做四图拼接增强对小目标密集场景帮助明显patience30表示 30 轮没提升就早停避免过拟合lrf0.01是最终学习率相对初始值的比例配合余弦退火收尾更平滑。如果显存实在紧张可以退一步用imgsz768但别低于 640否则小目标召回会掉得很难看。训练过程中重点盯mAP50-95而不是mAP50前者对定位精度更敏感舰船检测里框得准比框得全更重要。3.3 训练日志里该看什么、不该看什么训练启动后runs/ship_v1/下会生成results.csv、weights/、若干可视化图。results.csv里每列对应一个指标用 pandas 扫一眼趋势比盯着终端刷屏高效。import pandas as pd df pd.read_csv(runs/ship_v1/results.csv) df.columns df.columns.str.strip() # 列名常带空格先清理 print(df[[epoch, train/box_loss, metrics/mAP50-95]].tail(10))逻辑说明train/box_loss持续下降但metrics/mAP50-95停滞说明模型在过拟合训练集该加增强或减轮数两者一起震荡多半是学习率偏大把lr0降到 0.005 试试。不要只看 loss 下降就以为训练成功验证集指标才是判断依据。提示训练中途不要随意改data.yaml的类别顺序或数量已经训了一半的权重和新的类别定义不兼容只能从头再来。4. 推理、评估与置信度门限的调优4.1 用训练好的权重跑推理训练完拿best.pt做推理命令行和 Python 两种方式都要会前者适合批量跑后者适合嵌进业务代码。yolo detect predict \ modelruns/ship_v1/weights/best.pt \ source./dataset/images/test \ imgsz1024 \ conf0.25 \ iou0.5 \ saveTrue \ save_txtTrue参数说明conf0.25是置信度门限低于它的框直接丢弃iou0.5是 NMS 的重叠阈值港口密集停靠场景可以适当调高到 0.6避免相邻船只被误合并save_txtTrue会把预测结果按 YOLO 格式存下来方便和真值做对比分析。4.2 置信度门限与 NMS 阈值怎么联合调这两个参数不是独立的。门限调低召回上去了但误检变多NMS 阈值调低又会把密集目标里的真框压掉。遥感舰船场景里海面杂波和云边缘是主要误检来源港口密集停靠是主要漏检来源两者要用不同策略。场景conf 建议iou 建议原因开阔海面单船0.35 到 0.450.5背景干净提高门限压误检港口密集停靠0.2 到 0.250.6 到 0.7降低门限保召回放宽 NMS 防合并云雾遮挡0.15 到 0.20.5目标特征弱门限必须压低调参时不要凭感觉用验证集跑一组网格把conf从 0.1 到 0.5 按 0.05 步进记录每个点的精确率和召回率画一条 PR 曲线选 F1 最高的那个点作为业务门限。这一步花十分钟比上线后反复改代码划算得多。4.3 用验证集指标判断模型是否可用yolo detect val会输出每个类别的 P、R、mAP50、mAP50-95。舰船检测里如果 mAP50 高但 mAP50-95 低说明框得大致对但不够准多半是标注框本身有偏差或者输入尺寸不够如果两者都低先回去查标签格式和类别对应八成是数据问题而不是模型问题。yolo detect val \ modelruns/ship_v1/weights/best.pt \ data./data.yaml \ imgsz1024 \ conf0.001 \ iou0.6验证时conf设成 0.001 是为了让评估脚本拿到全部预测框再统一算 AP这是标准做法不要用推理时的业务门限去评估否则指标会虚高。5. 小目标漏检与边缘部署的实战技巧小目标漏检是遥感舰船检测最顽固的问题除了放大imgsz还有几个成本更低的技巧。一是切片推理把大图切成带重叠的子图分别检测再合并代价是推理时间成倍增加适合离线批处理二是调整 anchor 或改用无锚框结构让模型对小尺度更敏感三是训练时开copy_paste增强把稀有尺度目标复制粘贴到不同背景缓解尺度不均衡。边缘部署时模型体积和推理延迟是硬约束。常见做法是先把best.pt导出成 ONNX 或 TensorRT再在目标设备上跑。# 导出 ONNX动态 batch 方便批量推理 yolo export modelruns/ship_v1/weights/best.pt formatonnx imgsz1024 dynamicTrue simplifyTrue # 导出 TensorRT半精度适合 NVIDIA 边缘设备 yolo export modelruns/ship_v1/weights/best.pt formatengine imgsz1024 halfTrue device0参数说明dynamicTrue让导出的 ONNX 支持可变 batch部署时不用固定输入数量halfTrue用 FP16 推理速度提升明显精度损失在舰船这类高对比度目标上通常可以接受simplifyTrue会做图优化去掉冗余算子部分推理引擎对未简化的图支持不好。部署后误检率高先别急着换模型按这个顺序排查输入预处理是否和训练时一致尤其是归一化和通道顺序后处理的conf和iou是否沿用了训练时的默认值而不是业务调优值图像缩放是否用了和训练相同的插值方式。这三处对不上模型再好也会表现失常。最后把线上误检的图定期回收人工筛一遍补进训练集迭代两三轮误检率通常能降一个台阶。本文还有配套的精品资源点击获取