老白Walt1. 项目背景与核心价值
这个数据集项目瞄准了内河航运和水上环境监测领域的AI应用需求。在河道巡检、货运调度等实际场景中，传统人工监控方式存在效率低、覆盖范围有限等问题。我们团队基于实际业务需求，采集整理了包含货运船舶排队、运河巡检等典型场景的视觉数据，采用YOLOv6算法进行标注处理，最终形成可直接用于模型训练的COCO+YOLO格式数据集。
当前版本（第10576期）的核心价值在于：
- 覆盖内河船舶检测的三大典型场景：货运排队、航道巡检、环境监测
- 提供高精度标注数据，减少算法团队80%以上的数据清洗工作量
- 支持YOLOv6等最新检测算法的迁移训练
- 数据格式同时兼容COCO和YOLO标准，适配不同训练框架
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. 数据集内容详解
2.1 数据构成与场景分布
数据集包含32,587张有效图像，按场景分类如下：
| 场景类型 | 图像数量 | 主要特征 |
|---|---|---|
| 货运船舶排队 | 12,456 | 包含多船并排、前后跟随等典型队形 |
| 运河巡检 | 9,872 | 涵盖桥梁、闸口等关键节点的船舶通行 |
| 水上环境监测 | 10,259 | 包含漂浮物、油污等环境要素的船舶交互场景 |
所有图像均来自实际业务场景，采集时段覆盖早中晚不同光照条件，其中约15%为夜间红外影像。图像分辨率统一处理为1920×1080，确保检测精度与处理效率的平衡。
2.2 标注规范与质量管控
我们采用五层质量审核机制：
- 初级标注：使用CVAT工具进行多边形标注
- 交叉校验：由不同标注员对同一批数据进行复核
- 算法预筛：用训练好的YOLOv6模型检测标注一致性
- 专家抽检：按5%比例进行人工复核
- 最终验收：对比原始视频流验证标注准确性
标注类别包括：
- 船舶主体（含12种细分船型）
- 船载货物（集装箱、散货等）
- 航道设施（浮标、航标等）
- 环境要素（油污、漂浮物等）
每个对象的标注包含：
- 精确的边界框（YOLO格式）
- 完整的多边形分割（COCO格式）
- 可见性评分（0-1连续值）
- 遮挡状态标记（完整/部分/严重）
3. 技术实现方案
3.1 数据采集与预处理
我们采用多源异构数据采集方案：
- 固