基于YOLOv10的船舶分类识别检测系统（YOLOv10深度学习+YOLO数据集+UI界面+Python项目源码+模型）
本项目基于最先进的YOLOv10目标检测算法，开发了一套高精度的船舶分类识别检测系统，能够准确识别并分类五大类船舶：集装箱船(Container Ship)、邮轮(Cruise Ship)、军用舰艇(Military Ship)、滚装船(RORO)和油轮(Tanker)。系统采用包含3,721张高质量船舶图像的专业数据集进行训练和评估，其中训练集3,232张，验证集339张，测试集150张。该系统
一、项目介绍
摘要
本项目基于最先进的YOLOv10目标检测算法，开发了一套高精度的船舶分类识别检测系统，能够准确识别并分类五大类船舶：集装箱船(Container Ship)、邮轮(Cruise Ship)、军用舰艇(Military Ship)、滚装船(RORO)和油轮(Tanker)。系统采用包含3,721张高质量船舶图像的专业数据集进行训练和评估，其中训练集3,232张，验证集339张，测试集150张。该系统在海面复杂背景下实现了多类别船舶的实时检测与分类，能够有效应对不同天气条件、拍摄角度和船舶姿态的识别挑战。本系统可广泛应用于海事监管、港口管理、海上搜救、国防安全以及海洋经济研究等多个领域，为智慧海洋建设提供关键技术支撑。
项目意义
海事监管与安全
-
智能海事监控：增强海岸监视系统能力，自动识别和分类管辖海域内的各类船舶，提高异常船舶发现效率。
-
违规行为检测：识别渔船进入禁渔区、商船误入军事区域等违规行为，提升海上执法效率。
-
海上交通管理：优化繁忙水道和港口区域的船舶交通流，预防碰撞事故。
港口与物流管理
-
港口智能调度：自动识别进港船舶类型，优化泊位分配和装卸作业计划，提高港口运营效率。
-
物流追踪系统：结合AIS数据，验证船舶身份，防止非法船只冒用合法身份。
-
货物吞吐量预测：通过识别船舶类型和数量，辅助预测港口货物吞吐量。
国防与安全应用
-
领海安全预警：实时监测靠近领海的军用舰艇和可疑船只，增强海上防御能力。
-
敏感区域保护：在石油平台、海底电缆等关键设施周边建立自动识别屏障。
-
军民融合应用：为军民两用技术发展提供船舶识别基础能力。
海洋经济与研究
-
航运市场分析：统计不同类型船舶的分布和流动，支持航运经济研究。
-
渔业资源管理：区分商船与渔船，辅助渔业资源保护和合理开发。
-
海洋生态保护：监测油轮等潜在污染源船舶的活动，预防海洋污染。
技术创新价值
-
复杂背景识别：推动目标检测技术在海雾、波浪等复杂海洋环境中的应用发展。
-
多尺度检测：解决远距离小目标与近距离大目标的同步识别难题。
-
跨模态融合：探索结合可见光与红外图像的船舶识别技术路线。
-
边缘计算优化：验证YOLOv10在船载设备和海岸监测站的部署性能。
目录
基于深度学习YOLOv10的船舶分类识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv10的船舶分类识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 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。
✅参数实时调节（置信度和IoU阈值）
-
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。
-
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
-
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
数据集概述
本项目的船舶识别数据集是当前涵盖最全面、标注最专业的船舶图像集合之一，总样本量3,721张，覆盖五大类船舶在各种海况下的图像。数据集按照8.5:1:0.5的比例科学划分为训练集（3,232张）、验证集（339张）和测试集（150张）。数据来源包括海岸监视系统、无人机航拍、卫星图像和公开船舶数据库，每张图像都经过海事专家校验，确保分类和标注的准确性。数据集特别注重采集不同天气、时段、视角和船舶状态的样本，以增强模型的泛化能力。
数据集特点
-
类别覆盖全面：
-
集装箱船：包括不同尺寸和吨位的现代化集装箱船
-
邮轮：从中小型邮轮到超级邮轮的全系列
-
军用舰艇：驱逐舰、护卫舰、航母等主要舰型（已脱敏处理）
-
滚装船：各类车辆运输船和客滚船
-
油轮：原油轮、成品油轮和化学品船
-
-
场景多样性：
-
开阔海域、近岸水域、港口内等不同场景
-
晴天、阴天、雾天、夜间等多种气象条件
-
平静海面与大浪条件下的拍摄
-
不同时间段（日出、正午、黄昏）的图像
-
-
拍摄视角丰富：
-
海岸固定监控视角
-
无人机俯视和斜视角度
-
卫星遥感图像
-
船载设备平视角度
-
近距离特写与远距离全景
-
-
标注专业性：
-
每艘船舶都精确标注边界框和类别
-
由资深船员和船舶工程师指导标注
-
对部分遮挡船舶进行特别标注
-
标注信息包含船舶位置和类别
-
对相似类别（如滚装船与集装箱船）进行专家复核
-
-
数据质量：
-
所有图像分辨率高
-
专业设备拍摄确保图像清晰度
-
经过严格的三级质量审核流程
-
定期更新维护，错误率低
-
-
评估维度：
-
测试集包含专门设计的挑战性子集：
-
低能见度条件下的船舶
-
小型船舶目标
-
类别相似船舶（如客滚船与邮轮）
-
密集停泊场景下的船舶区分
-
-
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\船舶分类检测数据集\train\images
val: F:\船舶分类检测数据集\valid\images
test: F:\船舶分类检测数据集\test\images
nc: 5
names: ['Container Ship', 'Cruise Ship', 'Military Ship', 'RORO', 'Tanker']
数据集制作流程
-
需求分析与规划：
-
联合海事部门、港口企业和研究机构确定核心需求
-
制定船舶分类标准和标注规范
-
设计覆盖各类海况的数据采集方案
-
确定样本量统计方法和分布比例
-
-
专业数据采集：
-
海岸监控系统24小时持续采集
-
合作航运公司提供专业船舶照片
-
无人机定期巡航拍摄港口和近海区域
-
卫星图像供应商提供中高分辨率遥感数据
-
模拟各种天气和海况条件下的拍摄
-
-
数据清洗与预处理：
-
剔除模糊、过暗、过度曝光的低质量图像
-
对敏感信息（舰艇细节、人脸等）进行脱敏处理
-
统一图像格式和色彩空间
-
分辨率标准化处理（保持长宽比）
-
建立图像质量评分体系
-
-
专业标注流程：
-
第一阶段：基础标注员进行初步船舶标注和分类
-
第二阶段：船舶专家校验标注准确性，特别关注：
-
船舶类型判定
-
相似类别区分
-
部分遮挡船舶识别
-
-
第三阶段：海事专业人员最终审核
-
开发辅助标注工具提高效率
-
-
数据增强策略：
-
基础增强：旋转、翻转、色彩调整
-
高级增强：
-
海况模拟（不同波浪等级）
-
天气效果添加（雨、雾、浪花）
-
光照条件变化
-
视角变换
-
-
针对性增强：
-
船舶尺寸变化
-
局部遮挡模拟
-
运动模糊添加
-
-
-
质量控制体系：
-
建立四层质量检查机制：
-
标注员自检
-
质检员抽检
-
专家重点检查
-
最终全量自动化检查
-
-
开发专门的质量指标：
-
类别准确率
-
漏检率
-
误报率
-
-
每月组织标注标准培训和技能考核
-
-
持续维护计划：
-
每季度新增船舶类型和场景
-
根据船舶技术发展更新类别体系
-
建立数据版本控制系统
-
开发自动化数据更新管道
-
与国际海事组织合作扩展数据集
-
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov10 python==3.9
激活虚拟环境
conda activate yolov10
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLOv10
model_path = 'yolov10s.pt'
data_path = 'datasets/data.yaml'
if __name__ == '__main__':
model = YOLOv10(model_path)
results = model.train(data=data_path,
epochs=500,
batch=64,
device='0',
workers=0,
project='runs/detect',
name='exp',
)根据实际情况更换模型 yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov10s.yaml (small)：小模型，适合实时任务。 yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov10b.yaml (base)：基本版模型，适合大部分应用场景。 yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov10s.pt：初始化模型权重，yolov10s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLOv10
from UiMain import UiMainWindow
import time
import os
class DetectionThread(QThread):
frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果
finished_signal = pyqtSignal() # 线程完成信号
def __init__(self, model, source, conf, iou, parent=None):
super().__init__(parent)
self.model = model
self.source = source
self.conf = conf
self.iou = iou
self.running = True
def run(self):
try:
if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头
cap = cv2.VideoCapture(self.source)
while self.running and cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# 保存原始帧
original_frame = frame.copy()
# 检测
results = self.model(frame, conf=self.conf, iou=self.iou)
annotated_frame = results[0].plot()
# 提取检测结果
detections = []
for result in results:
for box in result.boxes:
class_id = int(box.cls)
class_name = self.model.names[class_id]
confidence = float(box.conf)
x, y, w, h = box.xywh[0].tolist()
detections.append((class_name, confidence, x, y))
# 发送信号
self.frame_received.emit(
cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
detections
)
# 控制帧率
time.sleep(0.03) # 约30fps
cap.release()
else: # 图片
frame = cv2.imread(self.source)
if frame is not None:
original_frame = frame.copy()
results = self.model(frame, conf=self.conf, iou=self.iou)
annotated_frame = results[0].plot()
# 提取检测结果
detections = []
for result in results:
for box in result.boxes:
class_id = int(box.cls)
class_name = self.model.names[class_id]
confidence = float(box.conf)
x, y, w, h = box.xywh[0].tolist()
detections.append((class_name, confidence, x, y))
self.frame_received.emit(
cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
detections
)
except Exception as e:
print(f"Detection error: {e}")
finally:
self.finished_signal.emit()
def stop(self):
self.running = False
class MainWindow(UiMainWindow):
def __init__(self):
super().__init__()
# 初始化模型
self.model = None
self.detection_thread = None
self.current_image = None
self.current_result = None
self.video_writer = None
self.is_camera_running = False
self.is_video_running = False
self.last_detection_result = None # 新增：保存最后一次检测结果
# 连接按钮信号
self.image_btn.clicked.connect(self.detect_image)
self.video_btn.clicked.connect(self.detect_video)
self.camera_btn.clicked.connect(self.detect_camera)
self.stop_btn.clicked.connect(self.stop_detection)
self.save_btn.clicked.connect(self.save_result)
# 初始化模型
self.load_model()
def load_model(self):
try:
model_name = self.model_combo.currentText()
self.model = YOLOv10(f"{model_name}.pt") # 自动下载或加载本地模型
self.update_status(f"模型 {model_name} 加载成功")
except Exception as e:
QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
self.update_status("模型加载失败")
def detect_image(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
file_path, _ = QFileDialog.getOpenFileName(
self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
if file_path:
self.clear_results()
self.current_image = cv2.imread(file_path)
self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
self.display_image(self.original_image_label, self.current_image)
# 创建检测线程
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status(f"正在检测图片: {os.path.basename(file_path)}")
def detect_video(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
file_path, _ = QFileDialog.getOpenFileName(
self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
if file_path:
self.clear_results()
self.is_video_running = True
# 初始化视频写入器
cap = cv2.VideoCapture(file_path)
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
cap.release()
# 创建保存路径
save_dir = "results"
os.makedirs(save_dir, exist_ok=True)
timestamp = time.strftime("%Y%m%d_%H%M%S")
save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))
# 创建检测线程
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status(f"正在检测视频: {os.path.basename(file_path)}")
def detect_camera(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
self.clear_results()
self.is_camera_running = True
# 创建检测线程 (默认使用摄像头0)
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, 0, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status("正在从摄像头检测...")
def stop_detection(self):
if self.detection_thread and self.detection_thread.isRunning():
self.detection_thread.stop()
self.detection_thread.quit()
self.detection_thread.wait()
if self.video_writer:
self.video_writer.release()
self.video_writer = None
self.is_camera_running = False
self.is_video_running = False
self.update_status("检测已停止")
def on_frame_received(self, original_frame, result_frame, detections):
# 更新原始图像和结果图像
self.display_image(self.original_image_label, original_frame)
self.display_image(self.result_image_label, result_frame)
# 保存当前结果帧用于后续保存
self.last_detection_result = result_frame # 新增：保存检测结果
# 更新表格
self.clear_results()
for class_name, confidence, x, y in detections:
self.add_detection_result(class_name, confidence, x, y)
# 保存视频帧
if self.video_writer:
self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR))
def on_detection_finished(self):
if self.video_writer:
self.video_writer.release()
self.video_writer = None
self.update_status("视频检测完成，结果已保存")
elif self.is_camera_running:
self.update_status("摄像头检测已停止")
else:
self.update_status("图片检测完成")
def save_result(self):
if not hasattr(self, 'last_detection_result') or self.last_detection_result is None:
QMessageBox.warning(self, "警告", "没有可保存的检测结果")
return
save_dir = "results"
os.makedirs(save_dir, exist_ok=True)
timestamp = time.strftime("%Y%m%d_%H%M%S")
if self.is_camera_running or self.is_video_running:
# 保存当前帧为图片
save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg")
cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
self.update_status(f"截图已保存: {save_path}")
else:
# 保存图片检测结果
save_path = os.path.join(save_dir, f"result_{timestamp}.jpg")
cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
self.update_status(f"检测结果已保存: {save_path}")
def closeEvent(self, event):
self.stop_detection()
event.accept()
if __name__ == "__main__":
app = QApplication(sys.argv)
# 设置应用程序样式
app.setStyle("Fusion")
# 创建并显示主窗口
window = MainWindow()
window.show()
sys.exit(app.exec_())七、项目源码（视频下方简介内）
完整全部资源文件（包括测试图片、视频，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：
基于深度学习YOLOv10的船舶分类识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv10的船舶分类识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
19
0- 0
已为社区贡献10条内容
所有评论(0)