directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        训练模型：在数据集配置就绪后，我们加载了预训练的YOLO模型，并设置了任务类型为detect，准备开始训练。在这里，我们传递了所有必要的参数，包括图像大小imgsz，训练轮数epochs和训练任务的名称。此训练任务将执行120个时期的训练，这是一个在实践中通常需要根据实际情况调整的参数。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
# Training.
results = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v5_' + data_name  # 指定训练任务的名称
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
results2 = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v8_' + data_name  # 指定训练任务的名称
)

        通过上述过程，我们成功地配置并启动了舰船小目标识别模型的训练任务。YOLOv8作为一个强大的目标检测框架，为我们的训练任务提供了良好的支持，使得训练过程既高效又方便。在训练完成后，我们将得到一个针对舰船小目标识别任务优化过的模型，它将能够准确识别和分析图像中的舰船小目标，为后续的应用提供强大的技术支撑。

5. 实验结果与分析

5.1 训练曲线

        采用以上代码进行训练，得到的训练过程曲线如下，展示了模型在学习数据集时的行为，并且揭示了模型优化过程中的关键趋势。

        首先，训练损失（train loss）图像展示了box loss、class loss和directional field loss（df1_loss）随着训练周期（epoch）的逐渐下降。这种下降趋势是训练过程中期望看到的，它表明模型正在学习并逐步提高对训练数据的拟合度。尤其值得注意的是，所有三种损失函数在经历了初始的快速下降后，趋于平稳，这表明学习过程已趋于稳定，模型参数的调整变得更加细微。

        其次，验证损失（val loss）图表同样展示了这三种损失随着时间的变化。验证损失的趋势对于评估模型的泛化能力至关重要。理想情况下，验证损失应该与训练损失类似地下降，这表明模型在未见数据上的表现与训练数据上相似。从图中我们可以观察到，验证损失在大部分时间内与训练损失保持相似的下降趋势，尽管在某些点上出现了波动，这些波动可能是由于模型在某些特定批次的数据上过拟合或者数据本身的难度不同。

        再来看精确度和召回率图表，这两个指标衡量的是模型识别正确对象的能力。精确度图表显示，在训练过程中精确度逐渐上升并趋于稳定，这意味着模型正确识别对象的能力提高。召回率图表展示了模型找到所有相关对象的能力，该图表中的召回率也显示出上升趋势，表明随着训练的进行，模型错过重要目标的次数在减少。

5.2 混淆矩阵

        混淆矩阵是一种特别在分类问题中广泛使用的工具，它展示了模型预测与实际标签之间的关系。在我们的舰船小目标识别模型中，混淆矩阵揭示了模型在不同舰船目标类别上的识别准确性。根据提供的混淆矩阵，我们可以对模型在舰船检测与识别任务上的性能进行深入分析。

        混淆矩阵是评估分类模型性能的关键工具，通过展示实际类别与模型预测类别之间的关系，可以直观地反映模型在各个类别上的识别能力。在您提供的混淆矩阵中，每一行表示实际类别，每一列表示模型预测的类别。矩阵对角线上的值表示正确分类的实例比例，而非对角线上的值则表示错误分类的实例比例。

        从图中可以看出，'buoy'（浮标）、'cruise'（游轮）和'warship'（军舰）三个类别的识别准确率较高，对角线上的值分别为0.98、0.95和0.89，说明模型在这三个类别上的预测性能很好。尤其是'buoy'和'cruise'，模型几乎能完美地识别它们，这可能得益于这些类别有明显的特征或模型在训练过程中学习到了充足的这些类别的样本。

        然而，'container'（集装箱）和'a'类别的表现不佳，'container'类别只有0.74的准确率，说明有约四分之一的'container'被误分类到了其他类别。对于'a'类别，情况更为严重，其准确率仅为0.62，这意味着有将近四成的实例被错误分类。特别地，'a'类别有0.37的实例被误分类为背景，这可能是由于'a'类别的特征不够显著，或者是模型未能很好地区分这一类别与背景之间的差异。

        此外，我们还可以观察到，除了主对角线外，'container'类别和'cruise'类别之间有0.23的误分类率，这表明这两个类别可能在某些特征上具有相似性，导致模型在区分时出现了一定的困难。类似地，'fish-b'类别有0.16的实例被误分类为'cruise'，这也表明模型在这些类别上可能混淆了。

        综上所述，混淆矩阵揭示了模型在各个类别上的识别表现，其中一些类别表现良好，而一些则需要改进。改进的方法包括增加难以区分类别的训练样本，使用更复杂的特征提取方法，或者调整分类阈值。通过深入分析混淆矩阵，我们可以更准确地定位模型的不足之处，并据此采取措施以提高模型整体的分类准确率。

        总之，混淆矩阵为我们提供了一个宝贵的视角，让我们可以直观地看到模型在各个类别上的表现，从而为我们提供了改进模型和进一步研究的方向。通过对这些结果的细致分析和理解，我们可以逐步优化我们的目标检测系统，最终实现更为精准和可靠的舰船检测与识别。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在舰船小目标目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含舰船小目标的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.781	0.773	0.674	0.778
F1-Score	0.76	0.76	0.65	0.76

（3）实验结果分析：

        从实验结果来看，YOLOv5nu在mAP指标上表现最佳，达到了0.781，而YOLOv7-tiny的表现稍逊一筹，mAP仅为0.674。这表明YOLOv5nu在检测精确性上有优势，可能是因为其网络结构或优化策略更适合本实验中使用的数据集。YOLOv6n和YOLOv8n在mAP上的表现相当，均接近0.78，表明它们在准确性上有着不分伯仲的表现。

       在F1-Score指标上，三个模型：YOLOv5nu、YOLOv6n和YOLOv8n均为0.76，显示出一致的高水平性能，而YOLOv7-tiny则较低，为0.65。这可能是由于YOLOv7-tiny作为一个更轻量级的模型，在某些复杂的检测任务上可能不如其他版本。

       总的来说，YOLOv5nu在这次比较中表现最为突出，尤其是在mAP指标上。YOLOv6n和YOLOv8n虽然在mAP上略低于YOLOv5nu，但整体性能表现相近，显示出这些模型都具有较好的泛化能力和准确性。YOLOv7-tiny的表现虽然较弱，但考虑到其轻量化的设计，仍然是一个在资源有限的场景下值得考虑的选择。

       为了进一步改善模型性能，我们可以考虑进行更细致的超参数调优，使用更先进的数据增强技术，或者通过集成学习方法结合这些模型的优点。未来的工作还可以包括在更多的数据集上进行实验，以验证模型的泛化能力。

---

6. 系统设计与实现

6.1 系统架构概览

        系统架构主要包括以下几个关键组件：模型管理、数据处理、UI交互和日志记录。每个组件都承担着系统运行中的特定职责，共同确保了系统的高效和稳定运行。

（一）模型管理

在模型管理部分，我们使用了YOLOv8v5Detector类来负责目标检测模型的加载、配置和预测。这个类封装了对YOLOv8/v7/v6/v5系列模型的操作，包括模型的加载(load_model)、参数设置(set_param)以及执行预测(predict)等。我们通过model_type属性支持不同版本的YOLO模型选择，以适应不同的性能和精度需求。

（二）数据处理

数据处理是系统的核心部分，负责对输入的图像数据进行预处理、调用模型进行预测以及后处理预测结果。这一功能主要通过frame_process方法实现。首先，通过调整图像尺寸(cv2.resize)和进行必要的图像预处理(model.preprocess)准备好模型输入数据。然后，使用模型进行预测并获取结果。最后，通过model.postprocess对预测结果进行后处理，包括绘制检测框(drawRectBox)和生成检测信息。

（三） UI交互

UI交互组件通过streamlit库构建，负责与用户的直接交互。在Detection_UI类中，我们设计了侧边栏配置(setup_sidebar)、页面布局设置(setup_page)和主窗口运行逻辑(setupMainWindow)等方法。用户可以通过侧边栏选择模型类型、调整检测参数、选择输入源等，系统根据这些配置实时更新主窗口显示的内容。

（四）日志记录

日志记录功能由LogTable和ResultLogger两个类共同完成。LogTable类负责管理检测过程中生成的所有日志数据，包括检测结果的保存、日志数据的持久化(save_to_csv)以及日志视图的更新(update_table)。ResultLogger则用于将每次检测的结果整合(concat_results)，方便在UI中显示和日志文件中记录。

        通过上述设计，我们的系统能够有效地处理舰船图像中的小目标检测任务，为用户提供直观、实用的检测工具。我们将继续优化系统架构，引入更先进的技术，以提高检测的准确性和系统的可用性。

6.2 系统流程

        针对基于YOLOv8/v7/v6/v5的舰船检测与识别系统，下面我们将深入探讨系统的具体工作流程，并结合代码中的类和方法进行详细说明：

1. 系统初始化（__init__）

   • 在Detection_UI类的构造函数中，系统初始化包括设置页面标题、初始化页面布局（setup_page），应用CSS样式（def_css_hitml），加载模型（YOLOv8v5Detector实例化），并初始化UI元素（如侧边栏setup_sidebar）。

2. 用户配置

   • 用户通过侧边栏（setup_sidebar方法中实现）进行配置，可以选择模型类型、调整检测参数（如置信度conf_threshold和IOU阈值iou_threshold），并选择输入源（上传的文件或摄像头）。

3. 文件上传与摄像头选择

   • 用户选择上传文件（图片或视频）或选择摄像头作为输入源。系统通过uploaded_file或selected_camera变量处理用户的选择。

4. 图像处理与目标检测（frame_process）

   • 对于每个输入图像，首先使用cv2.resize调整图像尺寸，然后model.preprocess对图像进行预处理，以适配YOLOv8v5Detector模型的输入要求。
   • 调用YOLOv8v5Detector的predict方法进行目标检测，然后对预测结果应用model.postprocess进行后处理，如绘制检测框（drawRectBox）并生成检测信息。

5. 结果展示与日志记录

   • 系统在主界面上通过image_placeholder或image_placeholder_res展示处理后的图像。同时，检测信息如目标类别、置信度等通过LogTable类记录，并支持以CSV格式导出（save_to_csv）。

6. 用户交互与反馈

   • 用户可以通过侧边栏进行进一步的操作，如更改检测参数或重新选择输入源。系统根据用户操作实时更新UI显示和检测结果。

7. 结束与清理

   • 用户操作完成后，可以通过点击UI中的导出按钮（在setupMainWindow中处理）导出检测结果日志。系统也会在结束时自动进行资源释放和清理工作。

        本系统通过以上流程，有效地实现了对舰船图像中小目标的检测，从用户配置到结果展示的每一环节都设计得尽可能直观易用，确保了系统的实用性和有效性。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV11M4m1X771/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2akplr
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zm5dq
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zm5pu
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zm55u

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        本文深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在舰船检测与识别领域的应用，成功开发了一个集成了这些前沿算法的舰船检测与识别系统。通过对YOLO系列多个版本的模型进行精细的对比和定制优化，本研究不仅显著提高了舰船检测与识别的精确度和响应速度，还利用Streamlit开发了一个直观、高效且用户友好的Web应用，使得用户能够在实际航海、海事管理、海上安全等场合中高效地进行舰船识别。

        通过系列实验的验证，本研究提出的方法在舰船识别的准确性和处理速度上均达到了优秀的标准。同时，我们提供了详尽的数据集处理流程、模型训练与预测的实现代码，以及基于Streamlit的系统设计和操作细节，为后续研究人员和开发者复制和参考提供了极大的便利。尽管已经取得显著成果，舰船检测与识别作为一个具有挑战性的领域，仍然存在众多待解决的问题和改进空间。未来的研究方向包括：

• 模型优化：探索深层次的网络架构和优化策略，如采用神经网络架构搜索（NAS）技术，以进一步增强模型的性能和计算效率。
• 多模态融合：考虑融入雷达、声纳等海上监测设备的数据，运用多模态学习提高舰船识别的准确性和可靠性。
• 跨域适应性：针对不同海域和天气条件下的舰船识别，通过域适应技术增强模型的泛化能力。
• 用户交互体验：进一步优化系统的界面设计和交互逻辑，使其更加贴合用户操作习惯，提升用户体验。
• 实际应用拓展：将舰船检测与识别技术应用到更广的领域，如海上搜救、渔业监管、航道管理等，以充分发掘其潜在的社会价值和经济效益。

        综上所述，基于YOLO系列模型的舰船检测与识别技术正在迅猛发展，伴随着技术进步和应用范围的扩大，预计在不远的将来，深度学习驱动的舰船检测与识别将在各类海事活动中发挥日益重要的角色。

---

1. Liu C, Tao Y, Liang J, et al. Object detection based on YOLO network[C]//2018 IEEE 4th information technology and mechatronics engineering conference (ITOEC). IEEE, 2018: 799-803. ↩︎

2. Zhu X, Lyu S, Wang X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 2778-2788. ↩︎

3. Sun Z, Chen B. Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm[C]//International Conference on Artificial Intelligence in China. Singapore: Springer Nature Singapore, 2022: 281-289. ↩︎

4. Zhao H, Zhang H, Zhao Y. Yolov7-sea: Object detection of maritime uav images based on improved yolov7[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2023: 233-238. ↩︎

5. Aboah A, Wang B, Bagci U, et al. Real-time multi-class helmet violation detection using few-shot data sampling technique and yolov8[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023: 5349-5357. ↩︎

6. Zhou D, Kang B, Jin X, et al. Deepvit: Towards deeper vision transformer[J]. arXiv preprint arXiv:2103.11886, 2021. ↩︎

7. Parmar N, Vaswani A, Uszkoreit J, et al. Image transformer[C]//International conference on machine learning. PMLR, 2018: 4055-4064. ↩︎