无人机落水钓鱼数据集 README
数据集核心信息表
| 信息类别 | 详细说明 |
|---|---|
| 类别数量及名称 | 4 类，分别为钓鱼伞（DiaoYuSan）、水边钓鱼（ShuiBianDiaoYu）、游泳溺水（YouYongNiShui）、船只（boat） |
| 数据数量 | 1200 张图像 |
| 数据集格式种类 | 计算机视觉领域常用格式（支持目标检测任务） |
| 最重要应用价值 | 可用于开发水边场景安全监测相关的 AI 模型，实现对钓鱼行为、溺水风险及船只目标的自动识别，助力水上安全管理与应急响应系统搭建 |
数据三要素概述
类别说明
该数据集涵盖 4 个与水边场景紧密相关的核心类别，既包含钓鱼相关的钓鱼伞、水边钓鱼目标，也涉及安全监测关键的游泳溺水、船只目标，类别划分贴合实际水边场景的监测需求，能为目标检测模型提供明确的识别方向。
数量说明
数据集包含 1200 张图像，图像数量规模可满足基础目标检测模型的训练需求，为模型学习不同类别目标的特征提供了充足的数据支撑。
应用价值说明
其核心应用价值聚焦于水边安全监测领域，通过该数据集训练的 AI 模型，可自动识别水边区域的钓鱼行为、溺水风险及船只目标，帮助相关管理部门实时掌握水边场景动态，及时发现安全隐患，提升水上安全管理效率与应急响应速度。
关键说明
数据集更新时间为 3 个月前，数据时效性较强，能较好适配当前水边场景监测模型的训练需求。
适用于目标检测类计算机视觉任务，可直接用于模型的训练、验证与测试环节。
数据标注准确，能有效保证模型学习到的目标特征的可靠性，提升模型识别精度。
1
基于你提供的“落水钓鱼”目标检测数据集背景（包含1241张图片，标注类别为ShuiBianDiaoYu（水边钓鱼），数据格式支持YOLO等），以下提供完整的数据集训练代码方案，采用YOLOv8框架（目前主流且易用，支持自动读取标注文件）。
一、环境准备
首先安装训练所需依赖库，推荐使用conda创建独立环境避免冲突：
# 1. 创建并激活环境（Python 3.8-3.11均可）conda create -n yolo_fishingpython=3.10conda activate yolo_fishing# 2. 安装核心依赖pipinstallultralytics# YOLOv8官方库（含模型、数据加载、训练逻辑）pipinstallopencv-python# 图像处理pipinstallpandas numpy# 数据统计pipinstallmatplotlib# 训练可视化pipinstallroboflow# 可选（若需从Roboflow直接下载数据集，跳过手动整理）二、数据集整理（关键！需匹配YOLO格式）
你的数据集来自Roboflow，导出时需选择YOLOv8格式（含train/val/test文件夹+data.yaml配置文件）。若已下载，文件夹结构需如下：
fishing_dataset/ # 数据集根目录 ├─ train/ # 训练集（1221张图，对应网页中Train:1221） │ ├─ images/ # 训练集图片（w1920_h0_i486.jpg等） │ └─ labels/ # 训练集标注文件（与图片同名的.txt文件） ├─ val/ # 验证集（20张图，对应网页中Valid:20） │ ├─ images/ │ └─ labels/ ├─ test/ # 测试集（0张，可暂空或后续补充） │ ├─ images/ │ └─ labels/ └─ data.yaml # 数据集配置文件（记录类别、路径等）若需手动生成data.yaml（Roboflow导出会自动生成）：
# data.yaml内容path:./fishing_dataset# 数据集根目录路径（绝对路径或相对路径）train:./train/images# 训练集图片路径val:./val/images# 验证集图片路径test:./test/images# 测试集图片路径nc:1# 类别数量（仅1类：ShuiBianDiaoYu）names:['ShuiBianDiaoYu']# 类别名称（与标注文件中的类别ID对应，0=ShuiBianDiaoYu）三、完整训练代码（YOLOv8_train.py）
代码包含数据加载、模型初始化、训练参数配置、训练过程监控、结果保存全流程，可直接运行：
fromultralyticsimportYOLOimportosimportmatplotlib.pyplotasplt# -------------------------- 1. 基础配置（根据需求修改） --------------------------MODEL_TYPE="yolov8n.pt"# 初始模型（n= nano，s=small，m=medium，l=large；n最快，l精度最高）DATA_YAML="./fishing_dataset/data.yaml"# 数据集配置文件路径EPOCHS=50# 训练轮次（建议30-100，根据数据量调整；1200张图推荐50-80）BATCH_SIZE=8# 批次大小（根据GPU显存调整：12GB显存可设8-16，8GB显存设4-8）IMG_SIZE=640# 输入图片尺寸（YOLO默认640，也可设1280提升精度，但训练变慢）DEVICE="0"# 训练设备（0=第1块GPU，-1=CPU，"0,1"=多GPU；无GPU则用CPU，训练会慢）SAVE_DIR="./fishing_train_results"# 训练结果保存路径（模型、日志、可视化图）# -------------------------- 2. 创建结果保存目录 --------------------------os.makedirs(SAVE_DIR,exist_ok=True)print(f"训练结果将保存至：{SAVE_DIR}")# -------------------------- 3. 加载YOLOv8模型 --------------------------# 加载预训练模型（基于COCO数据集预训练，加速收敛）model=YOLO(MODEL_TYPE)print(f"成功加载初始模型：{MODEL_TYPE}")# -------------------------- 4. 开始训练 --------------------------# 核心训练参数说明：# - data：数据集配置文件# - epochs：训练轮次# - batch：批次大小# - imgsz：输入图片尺寸# - device：训练设备# - project：结果保存根目录# - name：本次训练任务名称（会在project下创建子目录）# - patience：早停机制（若10轮验证集mAP无提升，自动停止训练，避免过拟合）# - save：是否保存训练过程中的最佳模型# - pretrained：是否使用预训练权重（默认True，推荐开启）train_results=model.train(data=DATA_YAML,epochs=EPOCHS,batch=BATCH_SIZE,imgsz=IMG_SIZE,device=DEVICE,project=SAVE_DIR,name="yolov8_fishing_run1",patience=10,save=True,pretrained=True,optimizer="Adam",# 优化器（Adam比SGD收敛更快，适合小数据集）lr0=0.001,# 初始学习率（默认0.01，小数据集可调小至0.001避免过拟合）augment=True,# 开启数据增强（自动随机翻转、缩放、亮度调整等，提升泛化能力）val=True# 训练中自动验证（每轮结束后计算验证集mAP）)# -------------------------- 5. 训练结果可视化（可选） --------------------------# 提取训练过程中的关键指标（损失、mAP等）train_loss=train_results.history["train/box_loss"]# 训练集边界框损失val_loss=train_results.history["val/box_loss"]# 验证集边界框损失val_map50=train_results.history["val/mAP50"]# 验证集mAP50（目标检测核心指标，越高越好）# 绘制损失曲线和mAP曲线plt.figure(figsize=(12,4))# 子图1：损失曲线plt.subplot(1,2,1)plt.plot(range(1,EPOCHS+1),train_loss,label="Train Loss",color="blue")plt.plot(range(1,EPOCHS+1),val_loss,label="Val Loss",color="red")plt.xlabel("Epochs")plt.ylabel("Box Loss")plt.title("Training & Validation Loss")plt.legend()plt.grid(alpha=0.3)# 子图2：mAP50曲线plt.subplot(1,2,2)plt.plot(range(1,EPOCHS+1),val_map50,label="Val mAP50",color="green")plt.xlabel("Epochs")plt.ylabel("mAP50")plt.title("Validation mAP50")plt.legend()plt.grid(alpha=0.3)# 保存可视化图plt.tight_layout()plt.savefig(os.path.join(SAVE_DIR,"yolov8_fishing_run1","train_metrics.png"),dpi=300)plt.close()# -------------------------- 6. 模型评估（测试集，可选） --------------------------# 若后续补充测试集，可运行以下代码评估模型在测试集上的性能# results = model.val(# data=DATA_YAML,# split="test", # 评估测试集# imgsz=IMG_SIZE,# device=DEVICE# )# print(f"测试集mAP50：{results.box.map50:.2f}") # 输出测试集核心指标# -------------------------- 7. 模型推理（用训练好的模型预测新图片） --------------------------# 加载训练好的最佳模型（保存在 SAVE_DIR/yolov8_fishing_run1/weights/best.pt）best_model=YOLO(os.path.join(SAVE_DIR,"yolov8_fishing_run1","weights","best.pt"))# 预测一张示例图片（替换为你的测试图片路径）test_img_path="./test_fishing.jpg"# 新的钓鱼场景图片predict_results=best_model.predict(source=test_img_path,imgsz=IMG_SIZE,conf=0.3,# 置信度阈值（高于0.3才认为是目标）iou=0.5,# IOU阈值（用于非极大值抑制，避免重复框）save=True# 保存预测结果图片（保存在 runs/detect/predict 目录）)# 打印预测结果（目标类别、坐标、置信度）forresultinpredict_results:boxes=result.boxesforboxinboxes:cls_id=int(box.cls[0])cls_name=best_model.names[cls_id]conf=float(box.conf[0])x1,y1,x2,y2=box.xyxy[0]# 目标框坐标（左上角x1,y1，右下角x2,y2）print(f"预测结果：类别={cls_name}，置信度={conf:.2f}，坐标=({x1:.0f},{y1:.0f})-({x2:.0f},{y2:.0f})")四、关键参数调整建议（根据训练效果优化）
模型选择：
- 若追求速度（如实时检测）：用
yolov8n.pt（最快，精度稍低）； - 若追求精度（如静态图片检测）：用
yolov8m.pt或yolov8l.pt（精度高，训练时间长）。
- 若追求速度（如实时检测）：用
批次大小（batch）：
- GPU显存≥12GB：设
16；显存8GB：设8；显存4GB：设4；无GPU（CPU）：设2。
- GPU显存≥12GB：设
训练轮次（epochs）：
- 若训练中验证集mAP50不再提升（早停机制触发），说明已收敛，无需增加epochs；
- 若训练集损失仍在下降但验证集损失上升，说明过拟合，可减小epochs或增加数据增强（如
augment=True改为augment=True, mixup=0.1）。
学习率（lr0）：
- 小数据集（<2000张）：推荐
0.001（默认0.01可能导致过拟合）； - 大数据集（>5000张）：用默认
0.01。
- 小数据集（<2000张）：推荐
五、训练结果解读
训练完成后，SAVE_DIR/yolov8_fishing_run1目录下会生成以下关键文件：
weights/best.pt：最佳模型（基于验证集mAP50选择，推荐用于后续推理）；weights/last.pt：最后一轮训练的模型（不推荐直接使用，可能未收敛）；train_metrics.png：训练损失和mAP曲线（判断是否收敛、过拟合）；results.csv：详细训练日志（每轮的损失、mAP、FPS等指标）。
六、常见问题解决
标注文件读取错误：
- 检查标注文件
.txt格式是否正确（YOLO格式：class_id x_center y_center width height，坐标需归一化到0-1）； - 确保标注文件与图片同名，且放在对应
labels文件夹下。
- 检查标注文件
GPU内存不足：
- 减小
batch_size（如从8改为4）； - 减小
img_size（如从640改为480）； - 用更小的模型（如
yolov8n.pt替代yolov8m.pt）。
- 减小
过拟合（训练集精度高，验证集精度低）：
- 增加数据增强：在
model.train()中添加mixup=0.2, mosaic=1.0（混合图片、马赛克增强）； - 减少模型复杂度（如从
yolov8l.pt改为yolov8s.pt）； - 增加数据集（如用Roboflow的“Data Augmentation”功能生成更多增强数据）。
- 增加数据增强：在
运行代码前，需确保数据集路径、图片路径正确，若从Roboflow下载数据集，可直接用roboflow库自动下载（需在Roboflow项目中获取API密钥），具体代码可参考Roboflow YOLOv8导出文档。
