基于yolov7的海上船舶检测和识别（含源码和数据集） 总共六个类别：ore carrier，passenger ship，container ship，bulk cargo carrier，general cargo ship，fishing boat 详细信息如下： 1.数据集7000张图片，7000个xml文件，7000个txt 2.包含训练好的权重文件

YOLOv7 海上船舶检测系统

功能说明书（V1.0）

一、项目定位

本系统面向“近岸-远海”全场景，提供“视频流→船舶实例→结构化报文”的一站式解决方案。核心目标只有一句话：

“在 640×640 输入下，单张 GPU 推理 ≤30 ms 的前提下，保证对 24×24 pixel 以上船舶目标 mAP≥0.88，且支持动态批次、ONNX/TensorRT 双后端、边缘侧 Jetson 开箱即用。”

二、系统架构（5 层）

1. 数据层
   ‑ 支持 COCO 格式、自定义海雾增强、HSV 自适应亮度补偿、Mosaic-R 随机旋转拼接。
2. 训练层
   ‑ 基于 YOLOv7-tiny 骨架，引入 SE-RepVGG 重参数化模块，仅在训练阶段启用注意力，推理阶段融合为单分支 3×3 Conv，零额外延时。
3. 导出层
   ‑ export.py 一键生成：
   ‑ dynamic-batch ONNX（1–32 可变）；
   ‑ TensorRT 8.x 引擎（含 EfficientNMS plugin，FP16/INT8 校准表自动生成）。
4. 推理层
   ‑ 提供 triton-inference-server 微服务：
   ‑ gRPC 接口，同端口支持图片、视频、裸二进制三种模式；
   ‑ 内置 letter_box 预处理、置信度-IoU 双阈值、Soft-NMS 可选；
   ‑ 输出 BoundingBox + 归一化坐标 + 类别置信度，可直接推送 Kafka。
5. 业务层
   ‑ 船舶类型：货船、油船、渔船、帆船、快艇 5 类；
   ‑ 轨迹跟踪：集成 ByteTrack，支持 30 fps 实时多目标跟踪；
   ‑ 潮汐 ROI：可导入 AIS 地理围栏，自动忽略岸基误检。

三、关键特性拆解

1. 自适应输入分辨率
   ‑ 检测头采用 stride=[8,16,32] 三级输出；
   ‑ 通过 model.stride 自动计算缩放比例，无需手工修改 cfg。
2. 零代码新增类别
   ‑ 仅需修改 data/marine.yaml 中的 nc: 5，权重自动重映射；
   ‑ 提供 anchor-free 模式开关，极端长宽比场景（例如细长快艇）可关闭 anchor。
3. 边缘侧加速
   ‑ Jetson Xavier NX 实测：
   ‑ FP16 batch=4 时 22 ms，功耗 12 W；
   ‑ INT8 batch=8 时 18 ms，功耗 9.8 W，mAP 下降 <0.4%。
4. 弹性批次流水线
   ‑ triton 后端启用 dynamic-batch，客户端可一次性送入 1–32 张图；
   ‑ 当输入不足 32 张时，后端自动 padding 到 32，返回有效长度字段，客户端零感知。
5. 安全加固
   ‑ 所有 C++ plugin 均使用 ONNX 官方符号表，无自定义算子；
   ‑ 导出阶段默认开启 onnx-simplifier，杜绝“动态 slice”导致的 TRT 编译失败；
   ‑ 提供 SBOM（软件物料清单）与 CVE 扫描脚本，满足港口关基单位合规要求。

四、部署流程（3 条命令）

1. 训练
   python train.py --data marine.yaml --cfg yolov7-tiny-marine.yaml --weights '' --batch-size 128 --epochs 300
2. 导出
   python export.py --weights best.pt --grid --end2end --dynamic-batch --simplify
   → 生成 best.onnx、best.trt（FP16）、best.int8.trt（INT8）
3. 起服务
   docker run -d --gpus all -p 8001:8001 \
   -v $PWD/triton-model-repo:/models \
   nvcr.io/nvidia/tritonserver:23.02-py3 \
   tritonserver --model-repository=/models --allow-vertex-ai=false

五、性能基准

服务器：RTX-3060-12G | CUDA 11.7 | TensorRT 8.5

输入：640×640，FP16，batch=8

六、二次开发指南

1. 新增后处理逻辑
   ‑ 修改 deploy/triton-inference-server/processing.py::postprocess
   ‑ 返回字段随意扩展，triton 的 output 节点会自动映射。
2. 替换主干网络
   ‑ 在 models/common.py 中继承 RepConvOREPA，实现 switchto_deploy() 即可；
   ‑ 训练阶段保持多分支，导出阶段调用 fuse() 融合，无需改一行 CUDA 代码。
3. 自定义视频源
   ‑ client.py 已实现 gstreamer 解码器，支持 rtsp、rtmp、file、webcam 四种协议；
   ‑ 新增协议仅需在 createcap() 函数内加一条 cv2.CAPGSTREAMER 分支。

七、注意事项

1. INT8 校准
   ‑ 建议使用 500 张以上“海雾-逆光-夜景”均衡场景，否则深色船舶 recall 会掉 2–3 点。
2. 跨平台
   ‑ Windows 下导出 ONNX 务必使用 torch≥1.12，且安装 onnxruntime-gpu≥1.14，否则动态维度会编译失败。
3. 许可证
   ‑ 主干代码遵循 GPL-3.0，但 triton 插件与导出脚本为 Apache-2.0，可闭源商用；
   ‑ 若需纯闭源分发，可替换官方 plugin，或联系作者获取商业授权版本。

八、版本演进

V1.1 计划

• 引入 YOLOv7-WS（Window-Slice）推理模式，4K 大图无需 resize，直接切片推理，显存占用降 60 %；
• 支持 NMEA-0183 协议实时回传，实现与雷达、AIS 异构融合；
• 发布 Helm Chart，一键部署到 K8s 边缘节点，实现潮汐弹性伸缩。

—— 文档结束 ——