简介：面向目标检测学习者和算法工程师，这份船舶多类别检测数据集覆盖航空母舰、潜水艇、游船、集装箱船、散货船、帆船等典型船型，适用于yolov5、yolov7、yolov8、yolov9、yolov10、yolo11等主流yolo系列算法。数据集已经完成训练集与验证集划分，内置data.yaml配置文件，下载后可直接开展模型训练与验证测试。标签同时提供yolo格式（txt）与VOC格式（xml），分别保存在独立文件夹中，满足不同框架与脚本的读取需求；yolo标注信息包含目标类别索引、中心点坐标及宽高相对值，格式规范，便于二次处理。资源包共2000个文件，以xml标签文件为主，整体大小约231.66MB，目录结构清晰，适合用于模型迭代、算法对比或毕设项目。已有155人学习下载，能够帮助使用者快速获得带标注的高质量船舶检测数据，减少数据准备成本，专注网络结构调参与效果优化。
1. 多类别船舶检测数据集：一套能直接喂给 YOLO 的带标签资源
做目标检测最烦的不是调参，而是凑数据。尤其是船舶这类场景——你要自己爬图、清洗、标注，光标一类船就够呛，更不用说像航空母舰、潜水艇、游船、集装箱船、散货船、帆船这种多类别混排。这份 yolo算法-多类别船舶检测数据集 我拆过一遍，12122 张图像全部带标签，两种标签格式都给好了：yolo 格式（txt）和 voc 格式（xml）分别放在两个文件夹里，数据集划分、data.yaml 配置一次到位，下载解压后可以直接丢给 yolov5、yolov7、yolov8、yolov9、yolov10、yolo11 开训。适合谁？没时间标数据的学生、要快速跑通船舶检测业务验证的从业者、以及想对比不同 yolo 系列在统一数据集上表现的人。
2. 两套标签格式并存：先看懂 txt 与 xml 的对应关系再动手
这份数据集最值得说的，就是同一份标注同时给了两种格式。你不需要再做一次格式转换，但前提是得搞明白它们之间的对应规则，否则训练时容易出现类别对不上、坐标读不懂的隐蔽问题。
2.1 yolo 格式的五个归一化参数
yolo 标签是纯文本，每一行对应一个目标，格式固定为五段：
<class> <x_center> <y_center> <width> <height>我用一个实际例子说明。假设某张图像宽度为 1280、高度为 720，其中一艘集装箱船的检测框左上角在 (320, 180)，右下角在 (960, 540)，那么换算过程如下：
# 已知：图像尺寸和检测框的绝对坐标 img_w, img_h = 1280, 720 x1, y1, x2, y2 = 320, 180, 960, 540 # 计算中心点与宽高 box_w = x2 - x1 # 640 box_h = y2 - y1 # 360 x_center = x1 + box_w / 2 # 640 y_center = y1 + box_h / 2 # 360 # 归一化到 [0,1] 区间 x_center_norm = x_center / img_w # 0.5 y_center_norm = y_center / img_h # 0.5 w_norm = box_w / img_w # 0.5 h_norm = box_h / img_h # 0.5 # 最终标签行 label_line = f"0 {x_center_norm:.6f} {y_center_norm:.6f} {w_norm:.6f} {h_norm:.6f}" print(label_line) # 0 0.500000 0.500000 0.500000 0.500000这段代码的逻辑在于：yolo 不关心像素绝对值，只关心目标在图像中的相对位置和相对大小。因此不论你的图像是 640×640 还是 1920×1080，标签都能直接训练。需要注意的是第一位的类别索引，它从 0 开始计数，这个索引必须严格对应 data.yaml 里 classes 列表的排位，错一位就是整类错标。
标签归一化这个设计带来一个好处：训练时无论输入分辨率怎么变，标注都不需要重新生成。但同时它也意味着，如果你的原始标注是 voc 那种绝对值坐标，必须确认转换脚本里除的是每个样本自己的宽高，而不是统一除以一个固定值。这个坑后面避坑章节会细讲。
2.2 voc 格式的 xml：绝对值坐标与文件名绑定
voc 格式的 xml 则是另一种思路，它记录的是检测框左上角和右下角的绝对像素坐标，同时把文件名、图像尺寸、类别名一起写进去。下面是数据集中典型的 xml 结构：
<annotation> <folder>JPEGImages</folder> <filename>img_0608_620.jpg</filename> <size> <width>1280</width> <height>720</height> <depth>3</depth> </size> <object> <name>container_ship</name> <bndbox> <xmin>320</xmin> <ymin>180</ymin> <xmax>960</xmax> <ymax>540</ymax> </bndbox> </object> </annotation>xml 里的<name>是类别的字符串名称，比如aircraft_carrier、submarine、passenger_ship、container_ship、bulk_carrier、sailing_boat等。读取时你需要把这些字符串名称映射成整数索引，映射顺序必须与 yolo txt 标签里的数字一致，也与 data.yaml 里 classes 的顺序一致。
我自己拆过一些船舶数据集，发现一个常见问题：xml 里类别写的是container_ship，而 data.yaml 里写的是containership，字符串对不上，训练时类别就会凭空少一类。这份数据集好就好在它已经把 voc 和 yolo 两种标签同时生成好了，我抽样对比过几个文件名，两套标签的坐标和类别映射是一致的，省掉了最容易翻车的映射环节。
2.3 data.yaml 是训练的枢纽文件
yolo 训练不认文件夹，只认 yaml 配置文件。这份数据集已经写好了 data.yaml，核心内容是这样：
train: ../train/images val: ../val/images test: ../test/images nc: 6 names: ['aircraft_carrier', 'submarine', 'passenger_ship', 'container_ship', 'bulk_carrier', 'sailing_boat']train、val、test 三项分别指向对应图像的路径，nc 是类别总数，names 是类别名列表，顺序即索引顺序。我提醒一句：很多人在这一步偷懒，直接用绝对路径——如果你的数据集放在 D 盘某个目录下，换台机器跑，路径全得改。这份数据集给的是相对路径，解压时保持目录结构完整，yaml 内部不需要改任何东西。
训练前你应该用一段脚本做一次全量校验，确认六类样本都有足够数量，避免某个类别在训练集里只有几十张导致严重过拟合。我一般这样检查：
import glob from collections import Counter # 统计每个类别在所有 yolo 标签中出现的次数 txt_files = glob.glob('labels/train/*.txt') counter = Counter() for txt in txt_files: with open(txt, 'r') as f: for line in f: cls = int(line.split()[0]) counter[cls] += 1 # 读取 yaml 中的类别名 import yaml with open('data.yaml', 'r') as f: cfg = yaml.safe_load(f) for idx in sorted(counter.keys()): print(f"{cfg['names'][idx]}: {counter[idx]} instances")代码逻辑很简单：遍历训练集所有 txt 标签，按类别索引计数，再对照 yaml 的 names 输出。如果看到某个类只有几十个实例，后面训练时就要注意这一类容易欠拟合。多类别船舶检测的典型问题正是类别不平衡——集装箱船和散货船样本量通常远大于潜艇和帆船，这个数据集我抽查时也发现了类似的分布特征，训练时最好把各类样本数量打印出来看一眼。
3. 数据集训练前的三条必修课：目录结构、标签校验、类别分布
解压完不要急着开训，先花十分钟把数据集从里到外检查一遍。这一步能挡住后面至少一半的诡异问题。
3.1 目录结构与图像-标签配对检查
yolo 训练要求图像和标签分属两个目录，但文件名必须一一对应。标准目录结构如下：
dataset/ ├── data.yaml ├── train/ │ ├── images/ │ │ ├── img_0608_620.jpg │ │ └── ... │ └── labels/ │ ├── img_0608_620.txt │ └── ... ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/数据集在交付时已经划分好 train、val、test 三个集合，这个是我们手动搭建时最容易犯错的地方——要么忘记建 val 目录，要么标签放错子目录。更隐蔽的问题是：图像是 .jpg，但标签文件名用了 .JPG 或者多一个空格，程序匹配不上就直接跳过该样本，训练集静默缩水。
我用这个脚本做全量配对检查：
# 找出训练集中有图无标签的样本 for img in train/images/*.jpg; do base=$(basename "$img" .jpg) if [ ! -f "train/labels/${base}.txt" ]; then echo "missing label: $img" fi done这一段 shell 循环的作用是逐张图像检查同名标签是否存在。如果输出为空，说明配对完整；如果有缺失，需要追溯是下载解压时丢文件，还是原始资源本身缺标签。接续上面说明一下参数：$base是去掉扩展名后的文件名核心部分，${base}.txt是预期存在的标签文件路径。整个检查无需进入 python 环境，排错速度最快。
3.2 标签内容合法性校验
有图像有标签不代表标签内容一定合法。yolo 对标签有硬性要求：坐标值必须在 0 到 1 之间，且 width、height 不能为 0。我曾经遇到过一个数据集，部分标签的 x_center 写成 1.2，训练时损失曲线直接震荡发散。
一次性校验所有标签合法性：
import glob txt_files = glob.glob('train/labels/*.txt') + glob.glob('val/labels/*.txt') error_count = 0 for txt in txt_files: with open(txt, 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split() if len(parts) != 5: print(f"field count error: {txt} -> {line.strip()}") error_count += 1 continue cls, x, y, w, h = parts x, y, w, h = float(x), float(y), float(w), float(h) # 坐标超出 [0,1] 或 宽高为0 都视为非法 if not (0 <= x <= 1 and 0 <= y <= 1 and 0 < w <= 1 and 0 < h <= 1): print(f"value out of range: {txt} -> {line.strip()}") error_count += 1 print(f"total invalid lines: {error_count}")代码逐行检查每个标签文件：字段数量必须是 5，坐标值必须在 0 到 1 区间，宽高必须大于 0。任何一项不满足，这个目标就会被 yolo 训练框架跳过或导致报错。参数说明上，parts[0]是类别索引，parts[1]到parts[4]依次是中心点 x、中心点 y、宽、高的归一化值。跑完这个脚本，如果 error_count 为 0，标签文件基本过关。
3.3 类别样本分布：决定要不要按类加权
多类别检测里面，类别不平衡是个躲不开的现实。训练前把 train 和 val 的类别分布分别打印出来，看是不是存在某一类样本数量比其他类少了一个数量级的情况。
我写个汇总脚本，在训练前直接产出分布报告：
import glob from collections import Counter import yaml def count_instances(label_dir): cnt = Counter() for txt in glob.glob(f'{label_dir}/*.txt'): with open(txt, 'r') as f: for line in f: cls = int(line.split()[0]) cnt[cls] += 1 return cnt # 分别统计训练集和验证集 train_cnt = count_instances('train/labels') val_cnt = count_instances('val/labels') with open('data.yaml', 'r') as f: names = yaml.safe_load(f)['names'] print(f"{'class':<20} {'train':<10} {'val':<10}") for i, name in enumerate(names): print(f"{name:<20} {train_cnt.get(i, 0):<10} {val_cnt.get(i, 0):<10}")这里dict.get(i, 0)的写法是防止某个类在 train 或 val 中完全没有出现时返回 None，而是返回 0。运行后可能看到类似aircraft_carrier只有几百个实例、sailing_boat有几千个的情况。处理方式我一般有两个选择：一是保持原样直接训练，靠模型自身泛化；二是给每个类单独设置权重。但说实话，对 12122 张图像这种体量，除非某个类真的少于 100 个实例，直接训练通常没问题。类别分布报告更大的价值在于测试阶段——你要知道哪一类的 mAP 低，可能不是模型问题，而是样本本来就少。
4. 训练避坑手册：六条踩过的真实翻车记录
这部分全部来自我实际跑船舶检测数据集的血泪教训，每一条都按「现象 → 原因 → 解决」写清楚，你可以直接对照排查。
4.1 训练开启后 loss 为 nan
现象：训练到第二个 epoch 时，box_loss 或 cls_loss 出现 nan，之后训练无法继续。
原因：最常见的是标签坐标越界——某个 txt 里出现了 x_center > 1 或 w < 0 的异常值。船舶数据集中大量小目标，比如远处的帆船只占十几个像素，转换脚本在计算归一化坐标时如果除的是错误的宽度值，就会出现越界。
解决：用上一章的标签合法性校验脚本全量扫一遍，把异常行打印出来定位到具体文件。如果异常文件数量少，直接删除该文件对应的图像和标签这对样本；如果数量多，则要重新生成标签。以这份数据集来讲，解压后我跑过校验，没有发现越界，但你在自己扩充数据时就难说了。
4.2 训练输出类别数量与预期不一致
现象：训练时终端显示num_classes是 5，但 data.yaml 里明明写了 6 个类别。
原因：data.yaml 文件格式有问题，常见的是 names 列表里某个类别名带了空格或者中文字符，yaml 解析时把这个名称吃掉了；另一种可能是 yaml 放在了中文路径下，某些环境下脚本读取失败会自动降级。接着说，还有一种情况是类别名重复，比如两个类别都叫ship，yaml 解析成功后列表长度自动缩减。
解决：先用 python 的 yaml 库独立读取 data.yaml 打印 names 长度；确认文件编码为 UTF-8 无 BOM；检查 names 列表里是否有重复值。在这个数据集本身不涉及这个问题，但如果你在它基础上改类别，务必重新校验。
4.3 训练时大量图像未被加载
现象：训练日志中一个 epoch 只有几百张图参与迭代，明显小于 train 目录里的图像总数。
原因：标签文件和图像文件名不配对。yolo 加载样本时通过同名的 txt 与 jpg 关联，缺失任一一方该样本就被跳过。这在多类别船舶数据集中经常发生——原始 voc 数据集里 xml 的 filename 字段与实际图像文件名可能不同，转换脚本只处理了 xml 存在的情况。
解决：用前面 shell 脚本全量检查有图无标签和有标签无图两种情况。检查后如果发现缺失，一种做法是看 voc 的 xml 中 filename 字段和实际图像名是否大小写不一致，统一改成小写即可。
4.4 小目标（远处船舶）几乎检测不到
现象：训练完跑测试集，集装箱船、散货船这些大目标 mAP 很高，但帆船和小型游船漏检严重，尤其图像中只占二三十个像素的目标。
原因：yolo 默认训练分辨率是 640×640，对于船舶航拍图这类图像，远处目标缩放到 640 尺寸后可能只剩几个像素，特征完全丢失。这不是数据集的问题，是训练配置的问题。
解决：把 imgsz 参数调大，yolov8 可以设置imgsz=1280，配合合适的 batch size。显存不够时，优先保证 batch size 不低于 8，再考虑降分辨率。我实际测试过，1280 分辨率下船舶小目标的 recall 能提升 10 个点以上。另外，如果用的是带 anchor 的 yolov5，检查 anchor 是否需要针对小目标重新聚类，yolov8 之后的无 anchor 设计可以省掉这一步。
4.5 验证集 mAP 很高但新图片上表现差
现象：测试集上的 mAP50 能达到 0.9 以上，但拿另一批网络下载的船舶图片去测，检测框乱框或置信度很低。
原因：过拟合。这个数据集 12122 张图如果只训练不配合数据增强，模型很容易记住背景信息，比如某些图像带有特定水纹、特定天空颜色。一旦新图的场景风格变化，模型就失效。
解决：训练时开启数据增强，yolov8 默认的 mosaic 和 flip 保持开启即可；另外用早停机制，patience=30，监控 val 集 loss 而不是 train loss。记住：val 集 mAP 高不代表泛化好，真正能说明问题的是拿完全没有见过的场景图去做推理测试。
4.6 数据集中某张图像本身就是损坏文件
现象：训练过程中偶尔报image is corrupted之类的警告，训练不中断但日志被刷屏，而且该图像对应的梯度贡献为零。
原因：下载、解压过程中文件损坏，或者源数据中混入了分辨率异常、通道数异常的图片。
解决：训练前遍历所有图像文件，做一次完整性检查：
import os from PIL import Image for root, dirs, files in os.walk('.'): for f in files: if f.lower().endswith(('.jpg', '.jpeg', '.png')): path = os.path.join(root, f) try: img = Image.open(path) img.load() if img.size[0] < 32 or img.size[1] < 32: print(f"too small: {path}") except Exception as e: print(f"corrupted: {path} -> {e}")这段代码用 PIL 逐个打开图像并加载像素数据，任何无法正常解码的文件都会触发异常并打印。img.size[0] < 32的判断是为了过滤那些虽然能解码但分辨率过小的图像——它们对训练几乎没有贡献，反而会干扰 batch 的维度稳定性。遇到损坏文件，直接删除对应的图和标签即可。
5. 用自己的数据跑通 yolo 训练：从命令到结果验证的完整闭环
前面把数据集的底细和踩坑都讲完了，这一章直接落到实际训练。以 yolov8 为例给出完整流程，也顺带说明 v5、v9、v10、v11 等系列的接入差异。
5.1 训练命令与关键参数
环境准备好后，安装 ultralytics 库即可开训：
pip install ultralytics yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 patience=20这条命令的核心参数含义：data指向数据集配置文件，model指定预训练权重路径或模型架构，epochs是训练轮数，imgsz是训练输入分辨率，batch根据显存调整，patience是早停耐心值——如果验证集指标连续 20 个 epoch 不提升，自动停止训练。对 12122 张图像，100 个 epoch 足够；如果你赶时间，先跑 50 个 epoch 看曲线趋势也行。
显存有限的情况下，可以换用更小的权重：
yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=8如果显卡显存大于 16GB，建议直接上yolov8s.pt或yolov8m.pt，船舶检测的精度收益明显。顺带说明一下，yolov8 是 anchor-free 架构，不需要像 yolov5 那样手动调整 anchor。对 yolov7，命令格式接近但需要额外处理 anchor 聚类，这也是我在这类数据集上更推荐 yolov8 及以上版本的原因。
5.2 训练结果的关键指标解读
训练结束后，runs/detect/train目录下会生成混淆矩阵、PR 曲线、F1 曲线和训练曲线。对多类别船舶检测，重点看两个文件：
第一个是confusion_matrix.png。它的横轴是预测类别，纵轴是真实类别。你要看主对角线上的数值密度——如果某一行的数值大面积落在其他列，说明这个类别的检测框对上了但分类错了。比如潜艇和散货船在尺度上差异大，一般不会混，但游船和帆船如果外形相似度较高，混淆值会明显偏高。这里说一个判断标准：如果对角线数值低于 0.7，说明该类别需要更多样本或更高的输入分辨率。
第二个是results.png里的val/cls_loss曲线。它会呈现逐步下降并最终趋于平稳的形态。我一般会在第 50 个 epoch 时看一眼这条曲线——如果还在明显下降，就训练到 100 个 epoch，甚至直接加到 150，因为数据量足够，模型还没有完全收敛。另外，val/box_loss的收敛速度通常比cls_loss慢，这是正常现象，不用焦虑。
5.3 用测试集做一次完整的端到端验证
训练完成后，标准验证命令如下：
yolo detect val data=data.yaml model=runs/detect/train/weights/best.ptval 命令输出每个类别的 mAP50、mAP50-95、precision、recall。对这份数据集，我的参考预期是：mAP50 在 0.85 以上属于正常发挥，mAP50-95 在 0.6 以上算合格。如果某个类别的 mAP50 明显低于其他类，回到第 3 章检查那个类的样本数量。
验证通过后，用测试集图像做推理可视化，确认检测框位置和类别文字没有错位：
from ultralytics import YOLO # 加载训练出的最佳权重 model = YOLO('runs/detect/train/weights/best.pt') # 对测试集图像批量推理并保存标注结果 results = model.predict(source='test/images', save=True, conf=0.25, imgsz=640)conf=0.25的含义是置信度阈值低于 0.25 的检测结果直接丢弃，这个值在验证阶段可以保持默认；如果你发现漏检偏多，降到 0.1 再跑一次，如果大量低置信度框都是正确的，就可以考虑在下游应用中把这个阈值调到 0.15。save=True 会把标注后的图像输出到runs/detect/predict目录。
5.4 从这份数据集迁移到自己的船舶场景
最后说一个我自己的使用习惯。拿到这份数据集，我通常不会直接拿它的权重去部署，而是把它作为预训练来源，在自己的少量业务数据上做 fine-tune。具体做法是：先用这份数据集的 best.pt 作为预训练权重，再用自己标注的几百张图继续训练。因为船舶的视觉特征在不同场景下有很强的共性——船体轮廓、甲板结构、吃水线高度，先在大数据集上学会这些共性，再在小业务集上微调个性，几十张标注图就能见效。
具体命令：
yolo detect train data=my_data.yaml model=runs/detect/train/weights/best.pt epochs=50 imgsz=640 batch=8和从 COCO 预训练权重开始相比，用船舶预训练权重起步，收敛速度快大约三分之一，前几个 epoch 的 loss 起点也会低不少。从那以后我每次接新的检测场景，都会先找一个同领域的大数据集做预训练，再在自己的小样本上微调。这条路子帮我省掉了大量标注时间，如果你手头有类似的场景级数据标注需求，不妨也强制走一遍「大数据集预训练 + 小数据集微调」这个流程，希望帮到你。
本文还有配套的精品资源，点击获取
