里小咸1. 遥感船舶检测系统概述
船舶检测是海洋监测、港口管理、渔业监管等领域的核心需求。传统的人工巡查方式效率低下且成本高昂，而基于卫星或无人机拍摄的遥感影像进行自动检测，正在成为行业主流解决方案。这个项目实现了一套完整的端到端遥感船舶检测系统，从数据处理到模型训练再到部署应用的全流程方案。
我在实际项目中发现，遥感影像中的船舶检测面临几个独特挑战：目标尺寸小（通常只占图像的几十到几百像素）、背景复杂（海浪、云层干扰）、目标密集（港口区域船只排列紧密）。针对这些痛点，系统采用了基于深度学习的先进目标检测算法，配合专门优化的数据处理流程。
提示：完整的项目资料包包含源码、论文文档、部署指南和讲解视频，适合计算机视觉方向的学生和研究者快速复现或二次开发。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构与技术选型
2.1 整体架构设计
系统采用经典的"数据-模型-应用"三层架构：
- 数据层：GDAL库处理遥感影像 + 自定义标注工具
- 算法层：YOLOv8模型 + 小目标检测优化
- 应用层：Flask后端 + OpenLayers前端展示
选择这个架构主要考虑三点：首先，GDAL是遥感领域事实标准的处理库，支持各种卫星影像格式；其次，YOLOv8在速度和精度上取得了较好平衡；最后，Web界面便于实际部署应用。
2.2 核心组件对比
| 组件 | 选型方案 | 替代方案 | 选择理由 |
|---|---|---|---|
| 基础框架 | PyTorch | TensorFlow | 更适合研究场景 |
| 检测模型 | YOLOv8 | Faster R-CNN | 速度更快 |
| 数据增强 | Albumentations | Torchvision | 支持地理空间数据 |
| 部署方式 | ONNX Runtime | TensorRT | 跨平台兼容性 |
3. 数据集构建与处理
3.1 数据来源与标注
项目使用了两个公开数据集：
- Airbus Ship Detection Challenge（kaggle）
- 自采集的港口无人机影像
标注时特别注意几点：
- 小目标采用4px最小边界框
- 密集目标使用crowd标签
- 保留地理坐标信息作为元数据
3.2 数据增强策略
针对遥感影像特点，特别增加了：
- 波浪模拟（增加船舶检测鲁棒性）
- 云层叠加（提升抗干扰能力）
- 坐标保持变换（不破坏地理信息）
python复制import albumentations as A
transform = A.Compose([
A.RandomSizedCrop((800, 800), 1024, 1024, p=0.5),
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.2),
A.GaussNoise(var_limit=(10, 50), p=0.3),
A.ShiftScaleRotate(shift_limit=0.1, scale_limit=0.1, rotate_limit=15, p=0.5)
], bbox_params=A.BboxParams(format='pascal_voc'))
4. 模型训练与优化
4.1 YOLOv8模型改进
针对小目标检测做了三项关键改进：
- 增加160x160检测头
- 使用BiFPN特征金字塔
- 引入CBAM注意力机制
训练参数配置示例：
yaml复制# yolov8_custom.yaml
nc: 1 # 仅船舶类别
depth_multiple: 0.33
width_multiple: 0.25
anchors: 3
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
4.2 训练技巧
- 两阶段训练：先在coco上预训练，再迁移学习
- 自适应学习率：采用余弦退火策略
- 困难样本挖掘：重点关注小目标和密集目标
5. 系统部署与实践
5.1 模型转换与加速
将PyTorch模型转换为ONNX格式：
bash复制yolo export model=yolov8n.pt format=onnx opset=12
使用TensorRT进一步优化：
python复制import tensorrt as trt
logger = trt.Logger(trt.Logger.WARNING)
builder = trt.Builder(logger)
network = builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))
parser = trt.OnnxParser(network, logger)
with open("yolov8n.onnx", "rb") as f:
parser.parse(f.read())
5.2 Web服务搭建
基于Flask的API服务核心代码：
python复制from flask import Flask, request, jsonify
import cv2
import numpy as np
app = Flask(__name__)
@app.route('/detect', methods=['POST'])
def detect():
file = request.files['image']
img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR)
# 调用模型推理
results = model(img)
return jsonify(results.pandas().xyxy[0].to_dict('records'))
6. 常见问题与解决方案
6.1 检测框偏移问题
现象：小目标的检测框不准确
解决方法：
- 增加更多小目标训练样本
- 调整anchor大小
- 使用KLD损失替代IoU损失
6.2 模型部署内存溢出
现象：大尺寸影像推理时OOM
解决方案：
- 采用滑动窗口检测
- 实现分块加载机制
- 使用GPU内存映射技术
6.3 性能优化对照表
| 优化手段 | 推理速度(ms) | 内存占用(MB) | mAP@0.5 |
|---|---|---|---|
| 原始模型 | 120 | 2100 | 0.68 |
| +ONNX | 85 | 1800 | 0.68 |
| +TensorRT | 45 | 1200 | 0.67 |
| +量化 | 32 | 800 | 0.65 |
7. 项目扩展方向
在实际应用中，我发现几个有价值的扩展点：
- 多时相分析：通过时序影像追踪船舶轨迹
- 船舶类型分类：增加细粒度识别
- 异常行为检测：如非法捕捞、碰撞风险预警
对于想深入研究的同学，建议从以下方面入手：
- 尝试最新的RT-DETR等检测算法
- 结合SAR遥感数据（不受天气影响）
- 探索大模型在遥感解译中的应用