随着海上交通的日益繁忙和海上安全管理需求的提升，基于合成孔径雷达（SAR）图像的舰船目标检测成为海上监控系统中的重要研究领域。本文提出了一种基于YOLOv8的舰船目标检测系统，该系统能够高效地处理SAR图像并自动识别其中的舰船目标。为了提高目标检测的准确性和实时性，本文采用YOLOv8模型对SAR图像进行训练和优化，并设计了一个基于PyQt5的图形用户界面（GUI），实现了系统的交互式操作和结果可视化。
本文对SAR图像数据集进行了预处理与增强，并介绍了数据集的构建过程。然后，基于YOLOv8网络架构，结合SAR图像的特点，进行了针对性的模型训练和性能调优。通过对比实验，验证了YOLOv8模型在舰船目标检测任务中的优势，包括较高的检测精度和较快的推理速度。
为便于用户操作与展示，本文进一步开发了一个基于PyQt5的应用界面，使得用户可以方便地加载SAR图像、运行目标检测模型、查看检测结果，并对检测结果进行后续分析。此外，本文还提供了完整的代码实现，包含数据处理、模型训练、结果展示等部分，具有较好的可操作性和扩展性。
实验结果表明，基于YOLOv8的舰船目标检测系统在多个评价指标上表现优异，能够满足实际应用需求，为SAR图像分析和海上安全监控提供了有效的技术支持。
算法流程
深入解析项目的算法流程，逐步探索技术实现的核心逻辑。从数据加载与预处理开始，到核心算法的设计与优化，再到结果的可视化呈现，每一步都将以清晰的结构和简洁的语言展现，揭示技术背后的原理与实现思路。
项目数据
Tipps：通过搜集关于数据集为各种各样的舰船目标相关图像，并使用Labelimg标注工具对每张图片进行标注，分1检测类别，是’舰船’。
目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
结束后，在cmd中输入labelimg
初识labelimg
打开后，我们自己设置一下
在View中勾选Auto Save mode
接下来我们打开需要标注的图片文件夹
并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。
Labelimg的快捷键
（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）
首先在images这个文件夹放置待标注的图片。
生成文件如下:
“classes.txt”定义了你的 YOLO 标签所引用的类名列表。
（4）YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。
注意：这里的中心点坐标、宽和高都是相对数据！！！
存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
硬件环境
我们使用的是两种硬件平台配置进行系统调试和训练：
（1）外星人 Alienware M16笔记本电脑：
（2）惠普 HP暗影精灵10 台式机：
上面的硬件环境提供了足够的计算资源，能够支持大规模图像数据的训练和高效计算。GPU 的引入显著缩短了模型训练时间。
使用两种硬件平台进行调试和训练，能够更全面地验证系统的性能、适应性和稳定性。这种方法不仅提升了系统的鲁棒性和泛化能力，还能优化开发成本和效率，为实际应用场景的部署打下良好基础。
模型训练
模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。
YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示：
2.数据集准备与训练
本研究使用了包含SAR舰船目标的数据集，并通过 Labelimg 标注工具对每张图像中的目标边界框（Bounding Box）及其类别进行标注。基于此数据集，采用 YOLOv8n 模型进行训练。训练完成后，对模型在验证集上的表现进行了全面的性能评估与对比分析。整个模型训练与评估流程包括以下步骤：数据集准备、模型训练、模型评估。本次标注的目标类别主要集中于舰船目标。数据集总计包含 43816 张图像，具体分布如下：
训练集：35055 张图像，用于模型学习和优化。
验证集：6572 张图像，用于评估模型在未见过数据上的表现，防止过拟合。
测试集：2192 张图像，用于最终评估模型的泛化能力。
数据集分布直方图
以下柱状图展示了训练集、验证集和测试集的图像数量分布：
部分数据集图像如下图所示：
部分标注如下图所示：
这种数据分布方式保证了数据在模型训练、验证和测试阶段的均衡性，为 YOLOv8n 模型的开发与性能评估奠定了坚实基础。
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入datasets目录下。
接着需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。
data.yaml的具体内容如下：
这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小(根据内存大小调整，最小为1)。
CPU/GPU训练代码如下：
加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。
3.YOLOv8模型训练结果与性能评估
在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于 YOLOv8 模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。这些损失的优化是提升目标检测性能的关键。
损失函数作用说明：
（1）定位损失 (box_loss)：表示预测框与标定框之间的误差（GIoU），越小表示定位越准确。
（2）分类损失 (cls_loss)：用于衡量锚框与对应的标定分类是否正确，越小表示分类越准确。
（3）动态特征损失 (dfl_loss)：DFLLoss用于回归预测框与目标框之间的距离，并结合特征图尺度进行调整，最终提高目标检测的定位准确性。
训练和验证结果文件存储：
训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，包括：
（1）损失曲线图（Loss Curves）
（2）性能指标曲线图（mAP、精确率、召回率）
（3）混淆矩阵（Confusion Matrix）
（4）Precision-Recall (P-R) 曲线
损失曲线(Loss Curve)和性能指标分析：
训练指标：
train/box_loss：
描述：表示训练过程中边界框回归损失（Box Loss）的变化趋势。
趋势：损失值从初始的1.6逐渐下降至1.1，表明模型在不断优化目标边界框的位置。
train/cls_loss：
描述：表示训练过程中类别分类损失（Classification Loss）的变化趋势。
趋势：损失值从初始的1.5下降至0.6，表明模型的分类能力在逐步提升。
train/dfl_loss：
描述：表示分布焦点损失（Distribution Focal Loss）的变化趋势，用于边界框分布的精确度优化。
趋势：损失从1.4下降到接近1.1，表明模型在学习定位目标的特征分布时逐步优化。
验证指标：
val/box_loss：
描述: 表示验证集上边界框损失（Box Loss）的变化趋势。
趋势：损失从初始的1.5下降到1.2，与训练集的趋势相似。
val/cls_loss：
描述: 表示验证集上类别分类损失（Classification Loss）的变化趋势。
趋势：损失从初始的1.1下降到0.6，与训练集一致。
val/dfl_loss：
描述: 表示验证集上分布焦点损失（DFL Loss）的变化趋势。
趋势：从1.4下降至接近1.15，与训练集的变化相似。
性能指标：
metrics/precision(B)：
描述: 表示模型在训练集上的精度（Precision）变化趋势。
趋势: 精确率从0.8上升到接近0.92。
metrics/recall(B)：
描述: 表示模型在训练集上的召回率（Recall）变化趋势。
趋势: 召回率从0.775上升到接近0.91。
metrics/mAP50(B)：
描述: 表示验证集上 IoU ≥ 50% 时的平均精度（mAP@50）。
趋势: 从0.825上升到接近0.95。
metrics/mAP50-95(B)：
描述: 表示验证集上 IoU 从 50% 到 95% 时的综合平均精度（mAP@50-95）。
趋势: 从0.45上升到0.65，表明模型在不同IoU阈值下的平均检测能力逐步提升。
总结：
（1）当前模型表现优异，验证集和训练集的指标均体现出良好的检测能力。
（2）mAP@0.5接近完美，但mAP@0.5-0.95仍有提升空间。通过进一步优化训练策略和数据集，模型的泛化能力可以更上一层楼。
Precision-Recall(P-R)曲线分析：
蓝色曲线（总体 P-R 曲线）：
表示”Ship”类别的PR曲线，mAP@0.5为0.948，显示了不同阈值下模型在检测“Ship”时的精确率与召回率的变化趋势。
结论：
模型的PR曲线表现优异，mAP@0.5达到0.948，表明模型在”Ship”目标检测任务中具有很高的精确性和稳定性。
混淆矩阵 (Confusion Matrix) 分析
混淆矩阵是用于评估分类模型性能的重要工具，它显示了模型在每一类别上的预测结果与实际情况的对比。
结论：
（1）当前模型对Ship的检测表现良好，但仍需针对误检和漏检进一步优化。
（2）综合性能（F1得分 90.9%）表明模型已经具备较高的实际应用价值。
（3）根据应用场景的具体需求，可以进一步调整模型参数和优化数据处理流程来提升效果。
4.检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：
加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。
加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要进行检测的图片文件的路径。
加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。
检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。
显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口
执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：
这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：
图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为640×640像素。
检测结果：
（1）模型在图片中检测到 1 个Ship（舰船）。
处理速度：
（1）预处理时间: 7.0 毫秒
（2）推理时间: 5.0 毫秒
（3）后处理时间: 81.5 毫秒
YOLOv8模型在检测船只的任务中表现良好，推理速度非常快，总体耗时也适合大多数实时应用场景。
运行效果
– 运行 MainProgram.py
1.主要功能：
（1）可用于实时检测目标图片中的SAR舰船目标检测；
（2）支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
（3）界面可实时显示目标位置、目标总数、置信度、用时等信息;
（4）支持图片或者视频的检测结果保存。
2.检测结果说明：
（1）置信度阈值：当前设置为0.25，表示检测系统只会考虑置信度高于25%的目标进行输出，置信度越高表示模型对检测结果的确信度越高。
（2）交并比阈值：当前设置为0.70，表示系统只会认为交并比（IoU）超过70%的检测框为有效结果。交并比是检测框与真实框重叠区域的比值，用于衡量两个框的相似程度，值越高表明重叠程度越高。
这两个参数通常用于目标检测系统中，调整后可以影响模型的检测精度和误检率。
目标检测类型：
结果（Result）:
（1）当前选中的结果为 “S舰船”，表示系统正在高亮显示检测到的“ship”。
置信度（Confidence）:
（1）这表示模型对检测到的目标属于“舰船”类别的置信度为83.59%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。
目标位置（Object location）:
（1）xmin: 105, ymin: 107：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 137, ymax: 142：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。
这些坐标表示在图像中的目标区域范围，框定了检测到的“舰船”的位置。
这张图展示了舰船目标的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升舰船目标检测的效率。
3.图片检测说明
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统识别出图片中的舰船目标情况，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统对视频进行实时分析，检测到舰船目标并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别舰船目标，并提供详细的检测结果和置信度评分。
5.摄像头检测说明
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。
检测结果：系统连接摄像头进行实时分析，检测到舰船目标并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明
点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：
图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
（1）图片保存
（2）视频保存
– 运行 train.py
1.训练参数设置
（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。
温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。
2.训练日志结果
这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长：
（1）模型在训练了150轮后，总共耗时 15.460小时。
（2）本次训练使用了 NVIDIA GeForce RTX 4070 Ti SUPER GPU。
（3）表现出较高的训练效率，得益于YOLOv8模型的优化设计和高性能硬件的支持。
验证结果：
（1）mAP@0.5: 稳定在0.948，说明在较低IoU阈值下模型表现出色。
（2）mAP@0.5-0.95: 最终达到0.654，说明在更高IoU阈值下的性能仍有提升空间。
速度：
（1）预处理时间：0.1ms
（2）推理时间：0.8ms
（3）后处理时间：0.5ms
（4）总推理速度：每张图像约 1.4ms，非常高效，适合实时检测应用。
结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。
完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。
总结：
YOLOv8模型训练表现优异，特别是在mAP@0.5和推理速度上具有显著优势。最终模型适合应用于实时场景，但在mAP@0.5-0.95和小目标检测上仍有改进空间。