矿石运输船数据集、散货船数据集、普通货船数据集、集装箱船数据集、渔船数据集以及客船数据集
海船：用于船只检测的大规模精准标注数据集
我们很高兴地介绍一个新的大规模数据集——海船，该数据集专为训练和评估船只目标检测算法而设计。目前，这个数据集包含31,455张图像，并涵盖了六种常见的船只类型，包括矿石运输船、散货船、普通货船、集装箱船、渔船以及客船。所有这些图像均来源于大约10,080段真实世界的视频片段，这些视频是由部署在海岸线视频监控系统中的监控摄像头所获取的。
为了确保数据集能够覆盖尽可能多的成像变化情况，如不同的尺度、船体部分、光照条件、视角、背景及遮挡情况，这些图像是经过精心挑选的。每一张图片都带有船只类型的标签以及高精度的边界框标注。
图像 1. 六种不同船只类型的样例图像
- 图像 2. 当摄像机朝向大海时拍摄的三种不同尺度下的图像。
- 图像 3. 数据集中的一些背景图像。
表1. 每类船只的图像数量
| 类别 | 图像数量 | 百分比 |
|---|---|---|
| 矿石运输船 | 5,126 | 16.30% |
| 散货船 | 5,067 | 16.10% |
| 集装箱船 | 3,657 | 11.63% |
| 普通货船 | 5,342 | 16.98% |
| 渔船 | 5,652 | 17.97% |
| 客船 | 3,171 | 10.08% |
| 混合型 | 3,440 | 10.94% |
下载数据集
- 下载链接:
请查看头像联系获取
扩充内容
数据集的重要性与应用场景
随着全球海洋经济的发展，海上交通日益繁忙，对海上安全的需求也不断增加。船舶作为海洋运输的主要载体，在国际贸易中扮演着极其重要的角色。因此，如何利用现代技术手段提高海上交通管理效率、保障航行安全成为研究热点之一。其中，基于计算机视觉技术的船只检测方法由于其非接触式、自动化程度高等优点而备受关注。
海船数据集正是在此背景下应运而生的一个重要资源库。它不仅为研究人员提供了一个高质量的训练平台，还促进了相关领域内新技术的研发与应用。例如，在港口管理方面，通过分析进出港船只的信息可以有效提升物流效率；在海域监测上，则有助于及时发现异常活动或潜在风险点，从而采取相应措施加以应对。
构建过程与特色亮点
构建这样一个庞大的数据集并非易事，需要克服诸多挑战。首先是对原始视频素材的选择与处理。项目团队从众多来源中筛选出最具代表性的片段，力求涵盖各种复杂的环境因素，比如天气状况、时间变化等，以保证最终生成的数据集具有较高的多样性和实用性。其次，针对每一帧图像进行细致的手工标注工作也是必不可少的一环。这要求标注者具备专业知识，并且整个过程需遵循严格的质量控制标准，以确保结果准确无误。
此外，海船数据集还特别强调了对于不同类型船只特征的捕捉能力。考虑到实际应用场景中可能会遇到各种形态各异的目标物体，因此除了基本的类别划分外，数据集中还包括了大量关于特定部位细节描述的信息，这对于后续模型学习更为精细的识别技能至关重要。
import cv2
import numpy as np
from imutils.video import VideoStream
from yolodetect import YoloDetect
video = VideoStream(src=0).start()
# dđiêmt người dùng click vao da giac
points = []
# new model yolo
model = YoloDetect()
def handle_left_click(event, x, y, flags, points):
if event == cv2.EVENT_LBUTTONDOWN:
points.append([x, y])
def draw_polygon(frame,points):
for point in points:
frame =cv2.circle(frame, (point[0], point[1]), 5, (0, 0, 255), -1)
frame =cv2.polylines(frame, [np.int32(points)], False, (255,0,0), thickness=2)
return frame
detect = False
while True:
frame = video.read()
frame = cv2.flip(frame, 1)
# ve poligon
frame = draw_polygon(frame,points)
if detect:
frame = model.detect(frame=frame,points=points)
key = cv2.waitKey(1)
if key == ord('q'):
break
elif key == ord('z'):
points.append(points[0])
detect = True
# hien anh ra man hinh
cv2.imshow('Intrusion Warning', frame)
cv2.setMouseCallback('Intrusion Warning', handle_left_click, points)
video.stop()
cv2.destroyAllWindows()
未来展望与发展潜力
尽管海船数据集已经达到了相当高的水平，但仍有进一步完善的空间。一方面，可以通过引入更多种类别的船只来丰富现有分类体系；另一方面，探索与其他感知技术相结合的可能性也是一个值得考虑的方向，比如结合雷达信号或者声纳探测结果，形成多模态融合框架，以此增强系统的鲁棒性和适应性。
总之，海船数据集不仅是当前阶段推进船只检测技术发展的重要基石，也为今后开展更加深入的研究奠定了坚实的基础。期待在未来能看到更多基于此平台产生的创新成果，共同推动智慧海洋建设向前迈进