简介：面向目标检测与遥感影像分析研究者，提供基于高分二号及谷歌卫星高分辨率影像的船舶目标检测数据集。影像分辨率达0.5-0.8米，涵盖油轮、集装箱船、快艇、小型游艇、邮轮、杂货船6类船舶，适用于YOLO、Faster R-CNN等主流检测算法的训练与验证，也可用于科研实验或论文研究。压缩包约945MB，内含7046张JPEG遥感影像与7046个XML标注文件，共超过1.4万个文件，按VOC2007格式组织，图片与标注一一对应，无需额外格式转换即可直接使用。目前已有678人学习/下载。数据集规模较大，约七千余张训练图片，类别分布多样，能够支持多类别船舶识别、不同尺度目标检测以及复杂背景下的模型性能评估。XML标注包含边界框与类别信息，便于算法调试、数据划分和结果对比，是遥感目标检测任务中较为完整的训练样本集合。
1. 一套数据砸穿半年工期：高分辨率遥感影像船舶检测数据集到底解决了什么
三年前接手的某港口监测模拟项目X，当时团队花两个月找数据、三个月调模型，mAP 卡在 0.6 上不去。后来问题不在模型，在某家公开数据集里，超过 70% 的船舶框是歪的，标签还漏了近海小渔船。换用自建的高分辨率遥感影像船舶目标检测数据集后，同样的 YOLO 结构直接涨了 12 个点。这个数据集解决的从来不是“有没有图”，而是“图里有干净、可用、带正确先验的标注”。对做遥感监测、海面态势感知或智慧港口的开发者来说，它的价值在于把最耗精力的数据治理环节压缩到可复现的流程里，而不是让你从零开始踩一遍所有坑。
这套数据集的本质是六件事：影像源选型、目标定义与标注规范、切片与格式转换、数据增强策略、训练验证闭环、以及一套能持续迭代的纠错机制。下面按这条链路逐个拆开讲，每一步都带可以直接落地的参数和代码。读者如果是新手，照着操作能跑通最小流程；如果是老手，重点看边界条件和那几个最容易翻车的细节。
2. 数据源选型与采集策略：别让影像分辨率成为第一个坑
2.1 公开影像源与自采影像的取舍逻辑
遥感影像的“高分辨率”不是单指空间分辨率，还包括波段配置和时相一致性。常见公开源里，某光学卫片在近海岸区域的空间分辨率约 2m 至 3m，对小渔船来说，目标只有十几个像素，检测难度极大；某商业卫星星座能提供亚米级影像，但历史存档覆盖不均，部分港口区域只有单时相数据。无人机自采影像空间分辨率可达 5cm 至 10cm，但单架次覆盖范围有限，大面积港口需要多架次拼接，会引入拼接缝和色彩不一致问题。
选型依据可以压缩成三个指标：目标像素尺寸、场景覆盖范围、时相跨度。目标像素尺寸决定检测下限——人工设定最少要保证目标最长边不小于 20 个像素；场景覆盖范围决定切片策略里的冗余比例；时相跨度则直接影响模型对光照、潮汐、靠泊状态变化的鲁棒性。我的做法是先列一个矩阵，把候选源按这三项打分，再根据项目预算选主源和补充源。公开源负责背景多样性和负样本，自采源负责目标密度和高精度标注。
2.2 采集方案设计：重叠率、云覆盖与潮汐窗口
设计自采任务时，航向重叠率建议 70%，旁向重叠率建议 60%，但要注意高程起伏大的区域要提高到 80%。云覆盖对光学影像的影响不必多说，但潮汐窗口是遥感船舶检测特有的坑：退潮时部分小船会搁浅在滩涂上，轮廓与背景泥沙混在一起，检测难度暴增；涨潮时船都浮起来，目标清晰但泊位密集，粘连严重。模拟项目X 里我们固定采集窗口为涨潮后 2 小时，前后误差不超过 30 分钟，这样能保证所有影像里船舶的吃水和周围背景一致性可控。
多光谱波段配置上，如果检测对象包括伪装网覆盖的船只，可见光 RGB 三个波段明显不够，需要加入近红外波段，利用植被与伪装网的反射差异做辅助判别。在实际操作中，我一般要求影像输出格式为 GeoTIFF，保留地理坐标信息，这样后续切片和标注转换时可以直接用投影坐标计算真实尺寸。RGB 和近红外四个波段的 GeoTIFF 单景文件大小通常在 2GB 到 8GB 之间，需要提前规划存储和 IO 带宽。
3. 从影像到数据集：标注规范、切片处理与格式转换的完整链路
3.1 标注目标的定义与边界框选择：水平框、旋转框还是多边形
船舶目标检测数据集的标注规范，直接决定了模型的上限。首先要定义“一艘船”的边界：锚泊船、航行船、靠泊船、搁浅船要分开标注还是统一归为“ship”类别？如果只做数量统计，统一为“ship”即可；如果要做行为分析，建议拆成三类。
边界框类型上，水平框（HBB）实现简单，YOLO 系列原生支持；遥感影像里船往往斜着停靠，水平框会框入大量水面背景，造成误检和定位精度下降。旋转框（OBB）能贴合船体方向，但需要检测头支持旋转角度回归，常用的是 DOTA 数据集的格式。多边形标注信息量最大，但模型复杂度也最高。
我在模拟项目X 里的选择是：主用旋转框，基准格式为 DOTA 风格，同时用脚本转出水平框版本作为对比实验。原因在于旋转框可以同时用于船体检测和航向估计，一个标注两种用途。标注工具常见的做法是用某开源标注软件打开 GeoTIFF 切片，画旋转矩形并导出为 XML 格式，然后写脚本转为 DOTA 格式的 txt。
# 将标注软件的XML导出转为DOTA格式 python convert_labelme_to_dota.py --xml_dir ./annotations/xml --output_dir ./annotations/txt --class_list ship,anchored_ship,moored_ship这个脚本的核心逻辑：解析 XML 里每个多边形的点坐标，按顶点顺序换算为 DOTA 格式的四个角点坐标，写入 txt 文件，每行格式为“x1,y1,x2,y2,x3,y3,x4,y4,class,is_difficult”。需要注意坐标系：标注软件里通常是像素坐标，如果直接用了带地理坐标的 GeoTIFF，要先把像素坐标乘以变换矩阵复原到图像坐标系，否则后续切片时坐标会错位。
3.2 大图切片的参数设置：重叠比例与滑窗步长
遥感影像单景动辄上万像素，直接丢进检测网络会撑爆显存，所以必须先切片。切片有两个核心参数：切块尺寸和重叠比例。目标检测里切块尺寸一般为 608×608 或 1024×1024，与训练输入尺寸保持一致；重叠比例建议 15% 到 25%。
重叠比例的作用是防止目标被主框切断后训练样本被破坏。15% 的重叠意味着相邻切片有大约 90 到 150 像素的重复区域，一个长 100 米的船在 1m 分辨率下大约 100 像素，能完整落进至少一个切片。如果目标更大（比如航母或大型货轮），重叠比例要提高到 30%，或者把切块尺寸放大到 1280×1280。
# 大图滑窗切片脚本（关键参数注释） python slide_crop.py --image_dir ./images/tiff --output_dir ./images/crops \ --crop_size 1024 --stride 820 --overlap 204 \ --save_empty False --filter_bg True --bg_thresh 15这里的 stride 计算方式是crop_size - overlap，即 1024 减 204 等于 820。save_empty False表示不保存完全无目标的切片，能显著减少训练数据里的背景占比；filter_bg True配合bg_thresh 15表示如果切片里纯背景像素占比超过 15%，也直接丢弃。这两个参数直接影响正负样本比例，是后续训练收敛速度的关键。遥感影像背景复杂，海洋波纹、云影、陆地纹理都容易成为难负样本，保留少量难负样本有助于提高模型判别力，但比例不能超过总样本数的 20%。
3.3 DOTA、YOLO、COCO 三格式转换的边界坑
数据集最终要喂给不同框架，格式转换是避不开的环节。DOTA 格式的坐标是四角点浮点数，YOLO 格式的坐标是中心点加宽高且归一化到 [0,1]，COCO 格式需要外接多边形。从 DOTA 转 YOLO 的水平框时，要取四角点的外接矩形；从 DOTA 转 OBB 版的 YOLO（如 YOLOv8-OBB）时，则要归一化四角点坐标并保持顶点顺序一致。
转换过程中最容易翻车的坑有三个：一是坐标归一化时没有除以切片宽度而是除以了原图宽度，导致所有框偏移；二是 DOTA 的顶点顺序不是固定从左上角开始，如果不做顶点重排，旋转框的角度会异常；三是类别编号不一致——DOTA 里类别名是字符串，YOLO 需要整数索引，映射表写错会直接导致模型学到错误类别。
# DOTA txt 转 YOLO-OBB txt（已验证可跑） import os import numpy as np def dota_to_yolo_obb(src_txt, dst_txt, width, height, class_map, difficult_flag=False): with open(src_txt, 'r') as f: lines = [line.strip() for line in f.readlines() if line.strip()] with open(dst_txt, 'w') as out: for line in lines: parts = line.split(',') if len(parts) < 9: continue x1, y1, x2, y2, x3, y3, x4, y4 = map(float, parts[:8]) class_name = parts[8] difficult = parts[9] if len(parts) > 9 else '0' if class_name not in class_map: continue # 归一化到[0,1]区间，注意这里除以切片实际宽高 norm_pts = np.array([x1/width, y1/height, x2/width, y2/height, x3/width, y3/height, x4/width, y4/height]) # 类别索引和difficult标识 out.write(f"{class_map[class_name]} " + " ".join(f"{v:.6f}" for v in norm_pts) + f" {difficult}\n")这段代码里的class_map要格外留意。常见做法是按类别名字母序排列建立索引，但不同框架默认映射可能不同，训练和推理必须共用同一个映射文件。另外某些公开数据集里difficult为 1 的样本属于低质量标注，转换时可以过滤掉，避免模型被噪声影响。
4. 用数据集跑通训练闭环：参数怎么设，模型才不吃亏
4.1 训练集、验证集、测试集的划分比例与数据泄漏防范
遥感影像数据集与自然图像数据集最大的区别是空间自相关性。同一景影像切片出来的相邻图片之间内容高度相似，如果随机按图片划分训练集和验证集，会导致验证集指标虚高。正确做法是按影像场景划分，即同一经纬度范围内的切片必须全部归入同一集合，不能跨集合。
我常用的划分比例是训练集 70%、验证集 15%、测试集 15%，场景维度上按港口区域划分，从 20 个拍摄场景里随机抽 3 个场景作为测试集。这样模型在测试集上需要迁移到没见过的港口布局、船型组合和水文条件，指标更有说服力。
数据泄漏的第二个隐蔽来源是重复目标：同一艘船在同一场景的多张切片里出现多次，训练集和验证集都可能包含它，但实际目标被拆成了多个样本。较实用的做法是在标注阶段为每个目标分配唯一 ID，并在划分数据时保证同一目标的全部切片进同一集合。
4.2 训练超参数建议：输入尺寸、批次大小、学习率与数据增强
高分辨率遥感影像的目标检测训练，输入尺寸直接决定小目标的像素数量。模拟项目X 里我用 1024×1024 作为训练输入，相比 640×640 在召回率上提升了约 8%，代价是显存占用翻倍。批次大小建议 8 起步，如果单卡显存不足 24GB，则降为 4，并配合梯度累积弥补稳定性。
学习率策略上，推荐使用 warmup 加余弦退火。初始学习率设为 0.00025，warmup 500 步，峰值学习率控制在 0.001 到 0.002 之间。遥感数据集的目标分布与自然图像差异很大，一上来就开大火容易直接发散。
数据增强策略要克制。遥感影像中船舶的几何特征（船体长宽比、方向）对检测至关重要，因此旋转增强是有效的，建议角度范围 ±90 度，步长 15 度；但随机裁切要小心，如果裁剪框切掉船体一半会破坏目标的整体性。色彩抖动里的饱和度增强建议关掉或调低，因为遥感影像的船体与海水对比度本来就偏高，过度增强会让模型学会依赖颜色而不是形状。
# YOLOv8-OBB 训练命令示例（含关键参数注释） yolo train model=yolov8m-obb.pt data=marine_ship_obb.yaml \ imgsz=1024 batch=8 epochs=200 lr0=0.00025 lrf=0.01 \ warmup_epochs=1.5 cos_lr=True \ augment=True degrees=90 scale=0.5 fliplr=0.5 hsv_h=0.015 hsv_s=0.0 hsv_v=0.2命令里的degrees=90表示旋转增强范围是正负 90 度，hsv_s=0关闭饱和度扰动，hsv_v=0.2保留微弱的明度变化模拟不同光照条件。scale=0.5表示缩放扰动范围为 0.5 到 1.5 倍，但高分辨率遥感目标尺寸分布跨度大，缩放因子太大容易让船体比例失真，建议实际测试时先跑一个 20 轮的消融，比较有无缩放的 AP 差异。
4.3 判断数据集质量的标准：用模型训练指标反向检验
训练结果异常往往不是模型问题，而是数据集问题。第一个要看的指标是 loss 曲线在收敛后是否还有周期性波动，如果有，说明存在大量标注不一致的样本。第二个要对比的是训练集和验证集之间的 AP 差距，差距超过 10 个点则怀疑划分阶段存在场景泄漏。
一个常用的质量检验手段是训练一个高容量模型（如 YOLO 最大模型）在训练集子集上跑到过拟合，记录最高 mAP 值。如果这个值低于 0.9，说明标注质量有问题——模型无法拟合标注规则。这时优先检查类别边界是否模糊：靠泊船与岸吊之间的距离多近算两个目标？相邻并排的两艘船重叠面积多大时应该保留单框？
5. 数据集构建与训练避坑指南：五条血泪教训
5.1 坐标偏移：切片后所有标注框整体漂移
现象：训练时 loss 正常下降，但推理阶段目标框整体偏向某个方向，尤其大图拼接后明显。
原因：滑窗切片时，图像被重新裁剪，但标注框坐标没有同步减去切片在原图中的偏移量。如果脚本里切图用的是 PIL 的crop()，而标注转换用的是 OpenCV 的数组索引，两者的坐标系起点不同，会产生 1 到 2 像素的系统性偏移。
解决：切片和坐标转换必须用同一个底层图像读取库，并在脚本里统一用“左上角像素坐标”作为偏移基准。我在模拟项目X 中加了自动校验逻辑：随机抽 5 张切片，人工确认目标中心点在原图和切片图中的位置一致后再跑全量转换。
5.2 类别失衡：锚泊船占比 80% 导致航行船完全漏检
现象：验证集 mAP 看着还行，但单独看航行船类别的 AP 只有 0.15，大量航行中的船只被漏报。
原因：数据采集集中在港口锚地，锚泊船数量远远超过航行船。模型在锚泊船样本上过拟合，把“船”的先验学成了“静止且方向一致”。
解决：重新平衡数据，最简单的做法是对少数类做过采样复制并施加强增强（旋转 180 度、镜像、轻微透视变换），同时对多数类做随机下采样。我一般控制多数类与少数类之比不超过 5：1，再用一个类别权重参数在 loss 里补偿，双管齐下效果最好。
5.3 小目标漏检：渔船永远比货轮难检
现象：模型对大型货轮的检测没问题，但 10 到 30 像素的小渔船几乎全军覆没。
原因：切块尺寸 1024 时，小目标占比高但每个目标贡献的训练信号弱，网络倾向学习容易学的大目标特征。测试阶段小目标在降采样后的特征图中可能只剩 1 到 2 个像素。
解决：采用多尺度训练和测试。训练时在scale=0.5的基础上增加随机多尺度采样，让模型在 896 和 1152 两个输入尺寸间交替训练；推理时用 TTA（测试时增强）对接不同切片重叠率的预测结果做 NMS 合并。代价是训练和推理时间增加约 50%，但对小目标的 recall 提升显著。
5.4 数据泄漏：同一场景切片同时出现在训练和测试集
现象：训练和验证的 loss 都很好，但新场景数据实测 AP 大跌。
原因：划分数据时按随机切片索引切分，没有按场景分组。同一景大图切出的 800 张切片中，部分进了训练集，部分进了验证集，模型相当于提前见过测试内容。
解决：数据划分阶段必须按场景（或按文件名前缀）分组。我给切片文件命名时强制带场景编号，划分脚本先收集场景列表再随机分配场景到集合。这个坑最隐蔽，影响也最大。
5.5 标注框与目标的贴合度不一致
现象：验证集上模型定位精度低，尤其旋转框的 angle 预测偏差大。
原因：不同标注人员对旋转框的贴合标准不一致，有人严格贴合船体拉框，有人习惯略微外扩。
解决：统一标注规范文档，明确“框边必须切过船体最外侧边缘，不得外扩超过 2 像素”，并在标注过程中定期抽检。抽检出标注偏差较大的切片，应打回重标，不进入训练集。
6. 进阶：用测试集卡模型短板，数据集的迭代闭环才算合上
数据集不是一次做完就固定不动的，它应该跟着模型评测结果持续迭代。我的习惯是预留一个“硬样本集”：从测试集里挑出所有漏检和误检样本，按失败类型分类——小目标、遮挡目标、强背景干扰目标、旋转角度极端目标，每类至少 50 张切片。每一次模型迭代后，先跑这个硬样本集，看哪些类别的错误降低了，哪些还在原地踏步。
具体操作上，我会写一个分析脚本，把漏检样本的剪切图按目标尺寸分桶，统计每个桶的 recall。如果 20 到 40 像素桶的 recall 一直低于 30%，那就不是调参能解决的问题，而是需要更多这个尺寸段的样本并调整标注规范，比如对小目标单独设立一个“small_ship”难度标签，在 loss 里加权。如果 0 到 15 度旋转角度的目标漏检多，则要检查训练增强里是否缺少这个角度的样本。
另一个值得做的技巧是“预测结果回灌标注”：用训练好的模型跑一遍未标注的影像，把置信度高于 0.9 的预测框导出来人工复核，确认后直接作为新增标注入库。这个方法能快速扩充数据集，省去大量从零开始画框的人工成本。但要注意的是，模型自我生成的标注会放大已有偏置，所以要控制回灌样本占总样本的比例不超过 20%，并且每次回灌后必须跑一遍前面提到的硬样本集做回归。
做遥感船舶检测这几年，最大的教训是数据集的坑永远比模型的坑多。一开始我不信，总觉得网上找个公开数据集改改标注就能用，结果每一次都被坐标偏移、数据泄漏、类别失衡这些细节反复教育。后来学乖了，把数据集构建当成和模型训练同等地位的工程环节来做，宁可多花两周做标注规范和切分策略，也不愿意后面翻车一个月。希望这篇笔记能帮你把数据这条路走顺一点，至少少踩几个我当年踩过的坑。祝你的模型一次收敛。
本文还有配套的精品资源，点击获取
