尧图网站建设 
简介这份文档面向计算机视觉与智能交通方向的研究者、研究生及算法工程师聚焦复杂海况与多目标场景下船舶检测精度与鲁棒性不足的问题系统梳理了基于改进Yolov5算法的完整研究思路。内容从研究背景与国内外现状切入依次展开图像预处理与特征提取、Yolov5原理与流程、船舶识别技术及多种检测算法对比并重点阐述数据增强策略、卷积层与池化层优化、注意力机制引入以及正负样本损失与类别不平衡问题的调整方案最后给出数据集准备、训练验证设置、性能指标与结果对比分析。资源为单个docx文档压缩包约80KB目录结构完整、章节层次清晰涵盖理论基础、算法改进与实验设计三大模块可作为船舶目标检测课题的参考范本与写作模板。目前已有47人学习适合需要快速把握改进Yolov5落地路径、对照实验流程查漏补缺的读者。1. 船舶目标检测为什么绕不开 YOLOv5一份能直接复现的改进方案做内河航道监控或者港口卡口项目的同行大概率都遇到过这个场景水面反光、船体与岸线颜色接近、小目标渔船在 1080P 画面里只占几十个像素拿通用 COCO 预训练的检测器直接跑漏检和误检能把后处理逻辑逼疯。这份《基于改进Yolov5算法的船舶目标检测研究》文档核心就是围绕上述痛点在 YOLOv5 的骨干、颈部、损失函数和后处理环节做针对性改造并给出完整的训练、验证、部署链路。它适合两类人一类是正在做船舶、水面目标检测的算法工程师想找一份可对照的改进基线另一类是刚接触 YOLOv5、想拿一个垂直场景把「训练自己的数据集」全流程走通的学生或转行者。文档不是纯理论推导重点落在改进点怎么落到代码、参数怎么调、指标怎么涨。下面我按「改进思路 → 环境与数据 → 训练调参 → 部署验证 → 避坑」的顺序拆开讲能抄的代码和参数我都尽量给全。2. 改进点拆解从骨干到后处理每一处改在哪2.1 为什么选 YOLOv5 而不是 YOLOv8 或 Faster R-CNN先回答选型问题。船舶检测的典型约束是边缘设备算力有限Jetson、瑞芯微、昇腾边缘盒子都常见、要求实时25 FPS 以上、小目标多。Faster R-CNN 两阶段精度够但速度上不去YOLOv8 虽然新但很多工业现场的推理框架比如早期版本的 TensorRT 插件、某些国产 NPU 工具链对 v5 的算子支持更成熟踩坑少。YOLOv5 的工程化程度高export.py一行命令能出 ONNX、TensorRT、OpenVINO 多种格式这对「yolov5部署」这个高频需求非常关键。所以这份文档选 v5 作为基线不是保守是工程权衡。改进方向通常集中在四处一是骨干网络替换或加注意力提升水面反光下的特征提取二是颈部结构改进增强小目标的多尺度融合三是损失函数换成 CIOU 或 EIOU改善回归精度四是后处理里针对密集船只做 NMS 优化。文档里这几块都有涉及下面逐个说怎么落地。2.2 骨干与注意力改进的代码落点YOLOv5 的骨干定义在models/common.py和models/yolo.py改骨干最稳妥的方式是新增模块而不是直接改原文件避免破坏预训练权重加载。常见做法是在common.py里加一个 CBAM 或 SE 模块然后在yolov5s.yaml的 backbone 里插入。# models/common.py 中新增通道注意力模块 import torch import torch.nn as nn class SEBlock(nn.Module): 通道注意力对每个通道做全局池化后学习权重 def __init__(self, c1, r16): super().__init__() c2 max(1, c1 // r) # 压缩比 r 控制参数量船舶场景 16 比较稳 self.avg nn.AdaptiveAvgPool2d(1) self.fc nn.Sequential( nn.Linear(c1, c2, biasFalse), nn.ReLU(inplaceTrue), nn.Linear(c2, c1, biasFalse), nn.Sigmoid() ) def forward(self, x): b, c, _, _ x.size() y self.avg(x).view(b, c) y self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x) # 逐通道加权逻辑说明SEBlock 先做全局平均池化把空间信息压成一个通道描述符再用两个全连接层学通道间依赖最后 Sigmoid 出权重乘回原特征。参数r是压缩比船舶数据集类别少、纹理单一r 取 16 比默认的 8 更不容易过拟合。插入位置建议放在 backbone 的 C3 模块之后而不是每个卷积后面都加否则推理耗时涨得比精度快。改完 yaml 后必须验证权重加载是否正常跑一句python models/yolo.py --cfg models/yolov5s_se.yaml如果报RuntimeError: Error(s) in loading state_dict说明新增层的 key 和预训练权重对不上这是正常的用--weights yolov5s.pt --cfg 新yaml训练时 YOLOv5 会自动跳过不匹配的层但你要确认跳过的层数和你新增的层数一致否则就是 yaml 写错了。2.3 颈部与损失函数的配合颈部改进常见的是把 PANet 换成 BiFPN 或者加一个专门的小目标检测头。文档里如果提到多尺度融合增强落地时要注意加检测头会改变输出张量数量后处理和解码逻辑都要跟着改。损失函数方面YOLOv5 默认用 CIOU船舶长宽比差异大货船细长、渔船短粗换成 EIOU 对宽高比回归更友好。改的地方在utils/loss.py的ComputeLoss类里把 CIOU 替换成 EIOU 的实现即可注意保持box_loss的归一化方式不变否则学习率要重调。提示改损失函数后第一件事是拿小批量数据过拟合看 loss 能不能降到接近 0降不下去说明实现有 bug别急着上全量训练。3. 环境配置与数据集准备把「训练自己的数据集」跑通3.1 环境配置的版本锁定「yolov5环境配置」是搜索量极高的词也是翻车重灾区。核心矛盾是 PyTorch、CUDA、torchvision 三者版本必须对齐。我一般用 conda 建独立环境锁定一套经过验证的组合conda create -n ship_yolo python3.8 -y conda activate ship_yolo # CUDA 11.3 对应的 torch 1.12.1这个组合在 30 系卡上最稳 pip install torch1.12.1cu113 torchvision0.13.1cu113 \ --extra-index-url https://download.pytorch.org/whl/cu113 # 再装 YOLOv5 依赖注意 requirements.txt 里的版本别乱升 pip install -r requirements.txt参数说明Python 3.8 是兼容性最好的版本3.10 以上有些旧版 numpy 会出问题torch 1.12.1 配 cu113 在 RTX 3060/3090 上实测稳定。装完必须验证python -c import torch; print(torch.cuda.is_available(), torch.version.cuda)输出True 11.3才算过。如果输出 False八成是驱动版本低于 CUDA 要求或者装成了 CPU 版 torch重装即可。3.2 船舶数据集的标注与格式转换船舶数据来源一般是公开数据集如 Seaships、Singapore Maritime Dataset加自己采集的监控截图。标注用 labelImg 或 X-AnyLabeling存成 YOLO 格式每张图对应一个 txt每行class x_center y_center width height全部归一化到 0~1。目录结构必须严格按下面来否则训练脚本找不到文件datasets/ship/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 ├── labels/ │ ├── train/ # 对应 txt │ └── val/然后写数据配置文件data/ship.yamlpath: ../datasets/ship # 数据集根目录 train: images/train val: images/val nc: 6 # 类别数按你的实际类别改 names: [cargo, fishing, passenger, tug, sailboat, other]这里有个高频坑nc和names长度必须一致且类别索引从 0 开始连续。如果标注时用了 1 起始的索引训练时不会报错但 mAP 会莫名其妙很低这是血泪经验转换脚本里一定要做一次校验。3.3 用脚本做一次数据体检正式训练前我习惯跑一个体检脚本统计每类样本数、检查有没有越界坐标、有没有空标签import os, glob def check_dataset(label_dir, nc): cnt [0] * nc bad [] for f in glob.glob(os.path.join(label_dir, *.txt)): with open(f) as fp: for i, line in enumerate(fp): parts line.strip().split() if len(parts) ! 5: bad.append((f, i, 字段数不对)); continue cid int(parts[0]) vals list(map(float, parts[1:])) if cid 0 or cid nc: bad.append((f, i, f类别越界 {cid})); continue if any(v 0 or v 1 for v in vals): bad.append((f, i, 坐标未归一化)) cnt[cid] 1 print(各类样本数:, cnt) print(问题条目:, bad[:10], 共, len(bad)) check_dataset(datasets/ship/labels/train, 6)逻辑说明逐行解析标签检查字段数、类别范围、坐标范围三个最容易出错的点。参数nc要和 yaml 一致。如果某类样本数为 0 或者极少训练时该类基本学不出来要么补数据要么用--weights做类别平衡采样。4. 训练调参与指标验证超参数怎么设才不玄学4.1 超参数配置与命令行训练「yolov5超参数」是另一个高频搜索点。YOLOv5 的超参在data/hyp.scratch.yaml里船舶场景我一般改这几个lr0初始学习率从 0.01 降到 0.005数据量小容易震荡、box回归权重从 0.05 提到 0.08小目标定位要更准、mosaic保持 1.0 但close_mosaic设 10最后 10 个 epoch 关掉马赛克增强让模型收敛到真实分布。训练命令python train.py \ --weights yolov5s.pt \ --cfg models/yolov5s_se.yaml \ --data data/ship.yaml \ --hyp data/hyp.ship.yaml \ --epochs 200 \ --batch-size 16 \ --img-size 640 \ --device 0 \ --workers 8 \ --project runs/train --name ship_exp1参数说明--weights用官方预训练权重做迁移学习比从头训快得多--batch-size16 是 12G 显存下的稳妥值显存不够就降到 8 并同步把lr0调小--img-size640 是精度和速度的平衡点小目标多可以试 960但推理速度会掉一半--workers是数据加载线程设成 CPU 核数的 0.7 倍左右设太大反而抢资源。4.2 训练过程看什么指标训练日志里重点盯三个box_loss、obj_loss、mAP0.5。box_loss不降说明回归有问题检查标注框是否准确obj_loss震荡说明正负样本分配不稳可以调anchor_tmAP0.5是主指标船舶场景一般能到 0.85 以上算可用。验证命令python val.py --weights runs/train/ship_exp1/weights/best.pt \ --data data/ship.yaml --img-size 640 --task val如果验证集 mAP 比训练集低很多超过 10 个点是过拟合加数据增强或加 dropout如果两者都低是欠拟合或标注问题回到第 3 章体检。4.3 消融实验怎么做才有说服力改进类研究必须做消融否则审稿人或评审会问「涨点是哪个模块带来的」。做法是固定其他条件只改一个变量跑四组基线、加注意力、换损失、两者都加。每组至少跑两次取平均因为深度学习训练本身有随机性。记录表格如下实验组骨干损失mAP0.5FPSbaselineCSPDarknetCIOU0.84262SECSPDarknetSECIOU0.86158EIOUCSPDarknetEIOU0.85362全部CSPDarknetSEEIOU0.87458这张表能清楚看出每个改进的贡献和速度代价比只报一个最终数字可信得多。5. 部署与推理从 PyTorch 到边缘设备5.1 导出 ONNX 与 TensorRT训练完的best.pt要部署先导出# 导出 ONNXopset 12 兼容性最好 python export.py --weights best.pt --include onnx --opset 12 --img-size 640 # 导出 TensorRT需要装 tensorrt 并指定 fp16 加速 python export.py --weights best.pt --include engine --device 0 --half参数说明--opset 12是多数推理框架支持最广的版本别盲目上 17--half开启 FP16速度能提 30% 以上精度掉不到 1 个点边缘设备首选。导出后务必用detect.py跑几张图对比 PyTorch 和 ONNX 的输出确认没有精度损失。5.2 后处理里的 NMS 调参「yolov5后处理」在密集船只场景特别关键。默认 NMS 的iou_thres是 0.45港口密集停靠时会把相邻船只框误删可以提到 0.5~0.55conf_thres默认 0.25漏检多就降到 0.2误检多就升到 0.3。这两个参数在detect.py里通过--conf-thres和--iou-thres传python detect.py --weights best.pt --source test_imgs/ \ --conf-thres 0.25 --iou-thres 0.5 --img-size 640如果船只重叠严重还可以考虑换成 Soft-NMS但会牺牲速度实时场景慎用。5.3 边缘设备部署的注意点在树莓派、Jetson 这类设备上部署常见做法是先转 TensorRT engine 再用 C 或 Python 加载。注意三点一是输入尺寸要和导出时一致否则报维度错误二是预处理归一化、letterbox必须和训练时完全一致差一点精度就崩三是显存/内存要留余量Jetson Nano 跑 640 的 v5s 大概占 1.5G超了就降 img-size 到 416。6. 避坑与常见问题排查6.1 训练 loss 变 NaN现象训练几个 epoch 后 loss 突然变成 nan权重全废。原因学习率太大或者某批数据里有异常值坐标全 0 或全 1。解决先把lr0降到 0.001 重跑同时用第 3 章的体检脚本过滤异常标注确认数据干净后再逐步升学习率。6.2 mAP 一直上不去现象训练 100 epochmAP0.5 卡在 0.5 左右不动。原因八成是类别索引不连续或标注框严重不准。解决检查data.yaml的nc和names用可视化脚本把标注框画到图上肉眼核对船舶这种细长目标很容易标歪。6.3 导出 ONNX 后推理结果和 PyTorch 不一致现象PyTorch 检测正常ONNX 输出框全乱。原因导出时 img-size 和推理时不一致或者后处理里的 anchor 解码没对齐。解决导出和推理统一用 640并确认 ONNX 推理脚本用的是官方utils/general.py里的non_max_suppression别自己手写解码。6.4 显存溢出 OOM现象训练到一半报 CUDA out of memory。原因batch-size 太大或 img-size 太大。解决优先降 batch-size 到 8还不行就降 img-size 到 512同时开--cache ram会占更多内存显存紧张时别开。6.5 验证集指标虚高现象验证集 mAP 很高实际部署效果差。原因训练集和验证集来自同一段视频帧间高度相似等于变相泄漏。解决按视频或按时间段划分数据集别按帧随机分这是最容易被忽略的坑。7. 一个能落地的进阶技巧用测试时增强换精度如果项目对精度要求高、对速度没那么敏感比如离线分析航道录像可以开测试时增强TTA。YOLOv5 的val.py和detect.py都支持--augment参数原理是对每张图做翻转、缩放等多种变换分别推理再把结果融合。代价是推理时间涨 3~5 倍但 mAP 通常能涨 1~3 个点对小目标和遮挡目标尤其明显。# 验证时开 TTA对比不开的 mAP python val.py --weights best.pt --data data/ship.yaml --augment我一般会先用 TTA 跑一遍验证集如果涨点超过 2 个点说明模型对几何变换还不够鲁棒这时候与其上 TTA 硬扛不如回头补数据增强比如加随机旋转、透视变换重训把鲁棒性做进模型里比推理时堆算力划算。TTA 更适合作为交付前的最后一道保险而不是常规手段。还有个细节TTA 融合时不同变换的置信度尺度可能不一致如果发现融合后框变多且乱检查--augment是否和自定义后处理冲突必要时只保留翻转这一种变换。从那以后我每次交付船舶检测模型前都会强制走一遍「数据体检 → 消融对照 → ONNX 精度对齐 → TTA 兜底」这四步少一步都不敢上线。希望帮到你。本文还有配套的精品资源点击获取 基于改进YOLOv5的船舶目标检测：从训练到部署的完整方案
简介这份文档面向计算机视觉与智能交通方向的研究者、研究生及算法工程师聚焦复杂海况与多目标场景下船舶检测精度与鲁棒性不足的问题系统梳理了基于改进Yolov5算法的完整研究思路。内容从研究背景与国内外现状切入依次展开图像预处理与特征提取、Yolov5原理与流程、船舶识别技术及多种检测算法对比并重点阐述数据增强策略、卷积层与池化层优化、注意力机制引入以及正负样本损失与类别不平衡问题的调整方案最后给出数据集准备、训练验证设置、性能指标与结果对比分析。资源为单个docx文档压缩包约80KB目录结构完整、章节层次清晰涵盖理论基础、算法改进与实验设计三大模块可作为船舶目标检测课题的参考范本与写作模板。目前已有47人学习适合需要快速把握改进Yolov5落地路径、对照实验流程查漏补缺的读者。1. 船舶目标检测为什么绕不开 YOLOv5一份能直接复现的改进方案做内河航道监控或者港口卡口项目的同行大概率都遇到过这个场景水面反光、船体与岸线颜色接近、小目标渔船在 1080P 画面里只占几十个像素拿通用 COCO 预训练的检测器直接跑漏检和误检能把后处理逻辑逼疯。这份《基于改进Yolov5算法的船舶目标检测研究》文档核心就是围绕上述痛点在 YOLOv5 的骨干、颈部、损失函数和后处理环节做针对性改造并给出完整的训练、验证、部署链路。它适合两类人一类是正在做船舶、水面目标检测的算法工程师想找一份可对照的改进基线另一类是刚接触 YOLOv5、想拿一个垂直场景把「训练自己的数据集」全流程走通的学生或转行者。文档不是纯理论推导重点落在改进点怎么落到代码、参数怎么调、指标怎么涨。下面我按「改进思路 → 环境与数据 → 训练调参 → 部署验证 → 避坑」的顺序拆开讲能抄的代码和参数我都尽量给全。2. 改进点拆解从骨干到后处理每一处改在哪2.1 为什么选 YOLOv5 而不是 YOLOv8 或 Faster R-CNN先回答选型问题。船舶检测的典型约束是边缘设备算力有限Jetson、瑞芯微、昇腾边缘盒子都常见、要求实时25 FPS 以上、小目标多。Faster R-CNN 两阶段精度够但速度上不去YOLOv8 虽然新但很多工业现场的推理框架比如早期版本的 TensorRT 插件、某些国产 NPU 工具链对 v5 的算子支持更成熟踩坑少。YOLOv5 的工程化程度高export.py一行命令能出 ONNX、TensorRT、OpenVINO 多种格式这对「yolov5部署」这个高频需求非常关键。所以这份文档选 v5 作为基线不是保守是工程权衡。改进方向通常集中在四处一是骨干网络替换或加注意力提升水面反光下的特征提取二是颈部结构改进增强小目标的多尺度融合三是损失函数换成 CIOU 或 EIOU改善回归精度四是后处理里针对密集船只做 NMS 优化。文档里这几块都有涉及下面逐个说怎么落地。2.2 骨干与注意力改进的代码落点YOLOv5 的骨干定义在models/common.py和models/yolo.py改骨干最稳妥的方式是新增模块而不是直接改原文件避免破坏预训练权重加载。常见做法是在common.py里加一个 CBAM 或 SE 模块然后在yolov5s.yaml的 backbone 里插入。# models/common.py 中新增通道注意力模块 import torch import torch.nn as nn class SEBlock(nn.Module): 通道注意力对每个通道做全局池化后学习权重 def __init__(self, c1, r16): super().__init__() c2 max(1, c1 // r) # 压缩比 r 控制参数量船舶场景 16 比较稳 self.avg nn.AdaptiveAvgPool2d(1) self.fc nn.Sequential( nn.Linear(c1, c2, biasFalse), nn.ReLU(inplaceTrue), nn.Linear(c2, c1, biasFalse), nn.Sigmoid() ) def forward(self, x): b, c, _, _ x.size() y self.avg(x).view(b, c) y self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x) # 逐通道加权逻辑说明SEBlock 先做全局平均池化把空间信息压成一个通道描述符再用两个全连接层学通道间依赖最后 Sigmoid 出权重乘回原特征。参数r是压缩比船舶数据集类别少、纹理单一r 取 16 比默认的 8 更不容易过拟合。插入位置建议放在 backbone 的 C3 模块之后而不是每个卷积后面都加否则推理耗时涨得比精度快。改完 yaml 后必须验证权重加载是否正常跑一句python models/yolo.py --cfg models/yolov5s_se.yaml如果报RuntimeError: Error(s) in loading state_dict说明新增层的 key 和预训练权重对不上这是正常的用--weights yolov5s.pt --cfg 新yaml训练时 YOLOv5 会自动跳过不匹配的层但你要确认跳过的层数和你新增的层数一致否则就是 yaml 写错了。2.3 颈部与损失函数的配合颈部改进常见的是把 PANet 换成 BiFPN 或者加一个专门的小目标检测头。文档里如果提到多尺度融合增强落地时要注意加检测头会改变输出张量数量后处理和解码逻辑都要跟着改。损失函数方面YOLOv5 默认用 CIOU船舶长宽比差异大货船细长、渔船短粗换成 EIOU 对宽高比回归更友好。改的地方在utils/loss.py的ComputeLoss类里把 CIOU 替换成 EIOU 的实现即可注意保持box_loss的归一化方式不变否则学习率要重调。提示改损失函数后第一件事是拿小批量数据过拟合看 loss 能不能降到接近 0降不下去说明实现有 bug别急着上全量训练。3. 环境配置与数据集准备把「训练自己的数据集」跑通3.1 环境配置的版本锁定「yolov5环境配置」是搜索量极高的词也是翻车重灾区。核心矛盾是 PyTorch、CUDA、torchvision 三者版本必须对齐。我一般用 conda 建独立环境锁定一套经过验证的组合conda create -n ship_yolo python3.8 -y conda activate ship_yolo # CUDA 11.3 对应的 torch 1.12.1这个组合在 30 系卡上最稳 pip install torch1.12.1cu113 torchvision0.13.1cu113 \ --extra-index-url https://download.pytorch.org/whl/cu113 # 再装 YOLOv5 依赖注意 requirements.txt 里的版本别乱升 pip install -r requirements.txt参数说明Python 3.8 是兼容性最好的版本3.10 以上有些旧版 numpy 会出问题torch 1.12.1 配 cu113 在 RTX 3060/3090 上实测稳定。装完必须验证python -c import torch; print(torch.cuda.is_available(), torch.version.cuda)输出True 11.3才算过。如果输出 False八成是驱动版本低于 CUDA 要求或者装成了 CPU 版 torch重装即可。3.2 船舶数据集的标注与格式转换船舶数据来源一般是公开数据集如 Seaships、Singapore Maritime Dataset加自己采集的监控截图。标注用 labelImg 或 X-AnyLabeling存成 YOLO 格式每张图对应一个 txt每行class x_center y_center width height全部归一化到 0~1。目录结构必须严格按下面来否则训练脚本找不到文件datasets/ship/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 ├── labels/ │ ├── train/ # 对应 txt │ └── val/然后写数据配置文件data/ship.yamlpath: ../datasets/ship # 数据集根目录 train: images/train val: images/val nc: 6 # 类别数按你的实际类别改 names: [cargo, fishing, passenger, tug, sailboat, other]这里有个高频坑nc和names长度必须一致且类别索引从 0 开始连续。如果标注时用了 1 起始的索引训练时不会报错但 mAP 会莫名其妙很低这是血泪经验转换脚本里一定要做一次校验。3.3 用脚本做一次数据体检正式训练前我习惯跑一个体检脚本统计每类样本数、检查有没有越界坐标、有没有空标签import os, glob def check_dataset(label_dir, nc): cnt [0] * nc bad [] for f in glob.glob(os.path.join(label_dir, *.txt)): with open(f) as fp: for i, line in enumerate(fp): parts line.strip().split() if len(parts) ! 5: bad.append((f, i, 字段数不对)); continue cid int(parts[0]) vals list(map(float, parts[1:])) if cid 0 or cid nc: bad.append((f, i, f类别越界 {cid})); continue if any(v 0 or v 1 for v in vals): bad.append((f, i, 坐标未归一化)) cnt[cid] 1 print(各类样本数:, cnt) print(问题条目:, bad[:10], 共, len(bad)) check_dataset(datasets/ship/labels/train, 6)逻辑说明逐行解析标签检查字段数、类别范围、坐标范围三个最容易出错的点。参数nc要和 yaml 一致。如果某类样本数为 0 或者极少训练时该类基本学不出来要么补数据要么用--weights做类别平衡采样。4. 训练调参与指标验证超参数怎么设才不玄学4.1 超参数配置与命令行训练「yolov5超参数」是另一个高频搜索点。YOLOv5 的超参在data/hyp.scratch.yaml里船舶场景我一般改这几个lr0初始学习率从 0.01 降到 0.005数据量小容易震荡、box回归权重从 0.05 提到 0.08小目标定位要更准、mosaic保持 1.0 但close_mosaic设 10最后 10 个 epoch 关掉马赛克增强让模型收敛到真实分布。训练命令python train.py \ --weights yolov5s.pt \ --cfg models/yolov5s_se.yaml \ --data data/ship.yaml \ --hyp data/hyp.ship.yaml \ --epochs 200 \ --batch-size 16 \ --img-size 640 \ --device 0 \ --workers 8 \ --project runs/train --name ship_exp1参数说明--weights用官方预训练权重做迁移学习比从头训快得多--batch-size16 是 12G 显存下的稳妥值显存不够就降到 8 并同步把lr0调小--img-size640 是精度和速度的平衡点小目标多可以试 960但推理速度会掉一半--workers是数据加载线程设成 CPU 核数的 0.7 倍左右设太大反而抢资源。4.2 训练过程看什么指标训练日志里重点盯三个box_loss、obj_loss、mAP0.5。box_loss不降说明回归有问题检查标注框是否准确obj_loss震荡说明正负样本分配不稳可以调anchor_tmAP0.5是主指标船舶场景一般能到 0.85 以上算可用。验证命令python val.py --weights runs/train/ship_exp1/weights/best.pt \ --data data/ship.yaml --img-size 640 --task val如果验证集 mAP 比训练集低很多超过 10 个点是过拟合加数据增强或加 dropout如果两者都低是欠拟合或标注问题回到第 3 章体检。4.3 消融实验怎么做才有说服力改进类研究必须做消融否则审稿人或评审会问「涨点是哪个模块带来的」。做法是固定其他条件只改一个变量跑四组基线、加注意力、换损失、两者都加。每组至少跑两次取平均因为深度学习训练本身有随机性。记录表格如下实验组骨干损失mAP0.5FPSbaselineCSPDarknetCIOU0.84262SECSPDarknetSECIOU0.86158EIOUCSPDarknetEIOU0.85362全部CSPDarknetSEEIOU0.87458这张表能清楚看出每个改进的贡献和速度代价比只报一个最终数字可信得多。5. 部署与推理从 PyTorch 到边缘设备5.1 导出 ONNX 与 TensorRT训练完的best.pt要部署先导出# 导出 ONNXopset 12 兼容性最好 python export.py --weights best.pt --include onnx --opset 12 --img-size 640 # 导出 TensorRT需要装 tensorrt 并指定 fp16 加速 python export.py --weights best.pt --include engine --device 0 --half参数说明--opset 12是多数推理框架支持最广的版本别盲目上 17--half开启 FP16速度能提 30% 以上精度掉不到 1 个点边缘设备首选。导出后务必用detect.py跑几张图对比 PyTorch 和 ONNX 的输出确认没有精度损失。5.2 后处理里的 NMS 调参「yolov5后处理」在密集船只场景特别关键。默认 NMS 的iou_thres是 0.45港口密集停靠时会把相邻船只框误删可以提到 0.5~0.55conf_thres默认 0.25漏检多就降到 0.2误检多就升到 0.3。这两个参数在detect.py里通过--conf-thres和--iou-thres传python detect.py --weights best.pt --source test_imgs/ \ --conf-thres 0.25 --iou-thres 0.5 --img-size 640如果船只重叠严重还可以考虑换成 Soft-NMS但会牺牲速度实时场景慎用。5.3 边缘设备部署的注意点在树莓派、Jetson 这类设备上部署常见做法是先转 TensorRT engine 再用 C 或 Python 加载。注意三点一是输入尺寸要和导出时一致否则报维度错误二是预处理归一化、letterbox必须和训练时完全一致差一点精度就崩三是显存/内存要留余量Jetson Nano 跑 640 的 v5s 大概占 1.5G超了就降 img-size 到 416。6. 避坑与常见问题排查6.1 训练 loss 变 NaN现象训练几个 epoch 后 loss 突然变成 nan权重全废。原因学习率太大或者某批数据里有异常值坐标全 0 或全 1。解决先把lr0降到 0.001 重跑同时用第 3 章的体检脚本过滤异常标注确认数据干净后再逐步升学习率。6.2 mAP 一直上不去现象训练 100 epochmAP0.5 卡在 0.5 左右不动。原因八成是类别索引不连续或标注框严重不准。解决检查data.yaml的nc和names用可视化脚本把标注框画到图上肉眼核对船舶这种细长目标很容易标歪。6.3 导出 ONNX 后推理结果和 PyTorch 不一致现象PyTorch 检测正常ONNX 输出框全乱。原因导出时 img-size 和推理时不一致或者后处理里的 anchor 解码没对齐。解决导出和推理统一用 640并确认 ONNX 推理脚本用的是官方utils/general.py里的non_max_suppression别自己手写解码。6.4 显存溢出 OOM现象训练到一半报 CUDA out of memory。原因batch-size 太大或 img-size 太大。解决优先降 batch-size 到 8还不行就降 img-size 到 512同时开--cache ram会占更多内存显存紧张时别开。6.5 验证集指标虚高现象验证集 mAP 很高实际部署效果差。原因训练集和验证集来自同一段视频帧间高度相似等于变相泄漏。解决按视频或按时间段划分数据集别按帧随机分这是最容易被忽略的坑。7. 一个能落地的进阶技巧用测试时增强换精度如果项目对精度要求高、对速度没那么敏感比如离线分析航道录像可以开测试时增强TTA。YOLOv5 的val.py和detect.py都支持--augment参数原理是对每张图做翻转、缩放等多种变换分别推理再把结果融合。代价是推理时间涨 3~5 倍但 mAP 通常能涨 1~3 个点对小目标和遮挡目标尤其明显。# 验证时开 TTA对比不开的 mAP python val.py --weights best.pt --data data/ship.yaml --augment我一般会先用 TTA 跑一遍验证集如果涨点超过 2 个点说明模型对几何变换还不够鲁棒这时候与其上 TTA 硬扛不如回头补数据增强比如加随机旋转、透视变换重训把鲁棒性做进模型里比推理时堆算力划算。TTA 更适合作为交付前的最后一道保险而不是常规手段。还有个细节TTA 融合时不同变换的置信度尺度可能不一致如果发现融合后框变多且乱检查--augment是否和自定义后处理冲突必要时只保留翻转这一种变换。从那以后我每次交付船舶检测模型前都会强制走一遍「数据体检 → 消融对照 → ONNX 精度对齐 → TTA 兜底」这四步少一步都不敢上线。希望帮到你。本文还有配套的精品资源点击获取