【图像算法 - 40】海洋监测应用：基于 YOLO 与 OpenCV 的高精度海面目标检测体系建立

摘要： 本文将详细介绍如何利用当前先进的深度学习目标检测算法 YOLOv11，结合强大的计算机视觉库 OpenCV，构建一个高效、准确的海面目标检测系统。我们将从环境搭建、数据准备、模型训练到最终的检测应用，手把手带你完成整个流程，为海上交通监控、搜救行动、港口安防、滨海旅游管理等场景提供智能化的视觉感知解决方案。
关键词： YOLOv11, OpenCV, 海面目标检测, 深度学习, 目标检测, Python

---

1. 引言

在海洋经济、海上安全与应急救援领域，对海面目标的实时感知至关重要。无论是港口船舶调度、非法入侵预警，还是落水人员搜救、海上游乐设施监管，都需要快速、准确地识别海面上的关键目标。传统依赖雷达或人工瞭望的方式成本高、覆盖有限，而基于视觉的智能检测系统可提供低成本、高密度的补充感知能力。

YOLO（You Only Look Once）系列算法以其高速度和高精度在目标检测领域独树一帜。最新的 YOLOv11 在继承前代优点的同时，进一步优化了架构和训练策略，性能更上一层楼，尤其适合处理海面场景中尺度差异大、背景复杂（波浪、反光、雾气）、目标易受遮挡等特点。OpenCV 作为最流行的开源计算机视觉库，提供了丰富的图像处理功能。本文将结合 YOLOv11 和 OpenCV，实现对以下 5 类典型海面目标的精准检测：

• boat（船只）：各类中小型船舶
• buoy（浮标）：导航、警示或系泊用浮标
• jetski（摩托艇）：高速水上娱乐载具
• life_saving_appliances（救生设备）：救生圈、救生衣、漂浮担架等
• swimmer（游泳者）：水中或水面人员
  

---

2. 环境准备

2.1 软件依赖

首先，确保你的开发环境满足以下要求：

• Python: 推荐使用 Python 3.8 或更高版本。
• PyTorch: YOLOv11 基于 PyTorch 框架，需安装相应版本。
• YOLOv12: 通过 ultralytics 包安装。
• OpenCV: 用于图像处理和可视化。
• PyQT: 可视化UI（可选）。

安装命令：

# 安装 PyTorch (根据你的CUDA版本选择)
pip install torch torchvision torchaudio
# 安装 YOLOv11
pip install ultralytics
# 安装 OpenCV
pip install opencv-python

---

3. 数据集准备与标注

高质量的数据集是模型成功的关键。

3.1 数据收集

收集大量海面图像或视频帧，涵盖：

• 不同海域（近岸、港口、开阔海域）
• 不同天气与光照（晴天、阴天、逆光、薄雾）
• 不同海况（平静、中浪、大浪）
• 不同目标尺度（远距离小目标 vs 近距离大目标）
• 不同视角（岸基摄像头、无人机航拍、船载相机）

数据可来源于：

• 自主采集（无人机/巡逻艇）
• 公开数据集（如 SeaShips、HRSC2016、SAR Ship Dataset）
• 合作海事、海警或港口管理部门

3.2 数据标注

使用标注工具（如 LabelImg, CVAT, Roboflow 等）对图像中的每一个海面目标进行标注：

• 框出目标边界（Bounding Box）
• 赋予对应类别标签

标注格式：YOLO 使用 .txt 文件存储标注信息，格式为：

所有坐标值都是相对于图像宽高的归一化值（0-1）。

类别 ID 映射如下：

class_id	目标类别
0	boat
1	buoy
2	jetski
3	life_saving_appliances
4	swimmer

注意：swimmer 和 life_saving_appliances 通常较小，需仔细标注；buoy 可能部分被波浪遮挡。

3.3 数据集划分

将数据集划分为训练集（train）、验证集（val）和测试集（test），通常比例为 7:2:1 或 8:1:1。

3.4 数据集配置文件

创建一个 YAML 配置文件（如 marine_targets.yaml），定义数据集路径和类别信息：

train: /path/to/dataset/images/train
val: /path/to/dataset/images/val
test: /path/to/dataset/images/test
# 类别数量
nc: 5
# 类别名称（顺序必须与 class_id 一致）
names: ['boat', 'buoy', 'jetski', 'life_saving_appliances', 'swimmer']

---

4. 模型训练

4.1 选择 YOLOv11 模型

YOLOv11 提供了多个预训练模型（yolov11n.pt, yolov11s.pt, yolov11m.pt, yolov11l.pt, yolov11x.pt）。对于海面目标检测（目标尺度跨度大、小目标多），推荐使用 yolov12m.pt 或 yolov12l.pt 以提升对 swimmer 和 buoy 等小目标的检出率。

4.2 开始训练

使用 ultralytics 提供的命令行工具或 Python API 进行训练。

命令行方式：

yolo train data=marine_targets.yaml model=yolov11m.pt epochs=120 imgsz=1280

Python API 方式：

from ultralytics import YOLO
# 加载预训练模型
model = YOLO('yolov11m.pt')  # 
# 训练模型
results = model.train(data='marine_targets.yaml', epochs=120, imgsz=1280)
# 评估模型
results = model.val()

建议使用较大输入尺寸（如 1280）以更好捕捉远处的小目标。

---

5. 海面目标检测实现

训练完成后，使用训练好的模型进行检测。

5.1 加载模型

from ultralytics import YOLO
import cv2
# 加载训练好的模型
model = YOLO('runs/detect/train/weights/best.pt')  # 替换为你的最佳权重路径

5.2 图像检测

# 读取图像
img_path = 'coastal_scene.jpg'
img = cv2.imread(img_path)
# 使用模型进行预测
results = model(img)
# 解析结果
for result in results:
boxes = result.boxes  # 获取边界框
for box in boxes:
# 提取坐标、置信度和类别
x1, y1, x2, y2 = box.xyxy[0].cpu().numpy().astype(int)
conf = box.conf.cpu().numpy()[0]
cls = int(box.cls.cpu().numpy()[0])
label = model.names[cls]
# 为不同目标设置颜色（便于区分）
colors = [
(0, 255, 0),    # boat - 绿
(255, 0, 0),    # buoy - 蓝
(0, 0, 255),    # jetski - 红
(255, 255, 0),  # life_saving_appliances - 黄
(255, 0, 255)   # swimmer - 紫
]
color = colors[cls % len(colors)]
# 在图像上绘制边界框和标签
cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)
cv2.putText(img, f'{label} {conf:.2f}', (x1, y1 - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
# 显示结果
cv2.imshow('Marine Target Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

5.3 视频流/无人机实时检测

可部署于无人机或岸基监控系统，实现实时海面态势感知：

cap = cv2.VideoCapture('drone_feed.mp4')
while True:
ret, frame = cap.read()
if not ret:
break
results = model(frame)
# ... (同上，处理并绘制结果)
cv2.imshow('Live Marine Monitoring', frame)
if cv2.waitKey(1) == ord('q'):
break
cap.release()
cv2.destroyAllWindows()

---

6. 结果与分析

• 精度： YOLOv11 在高质量海面数据集上对 boat、jetski 等大目标 mAP@0.5 可达 0.90+，对 swimmer 等小目标也能保持较高召回率。
• 速度： 在 NVIDIA RTX 4080 上，1280x1280 输入可达 30+ FPS，满足近实时监控需求。
• 鲁棒性： 模型对海面反光、波浪干扰、轻度雾气具有一定适应能力。

挑战：

• 小目标漏检： 远距离 swimmer 或 buoy 像素极少。
• 类间混淆： 白色 buoy 与白色 life_saving_appliances 外观相似。
• 动态模糊： 高速 jetski 运动导致图像模糊。

优化方向：

• 使用 Mosaic、Copy-Paste 增强小目标样本。
• 引入 注意力机制 提升关键区域特征响应。
• 结合 多尺度测试（Multi-scale Inference）提升检测稳定性。
• 部署时采用 跟踪算法（如 ByteTrack）减少目标闪烁，支持轨迹分析。

---

7. 总结

本文详细介绍了基于 YOLOv11 和 OpenCV 实现海面目标检测的完整流程。通过端到端的目标检测框架，我们能够同时识别 5 类关键海面目标，为海上安全、应急救援、港口管理和滨海旅游提供强大的视觉智能支持。该系统可集成至无人机、巡逻艇、岸基监控平台，构建全天候、全覆盖的“智慧海防”感知网络，在海洋强国战略中发挥重要作用。

应用场景延伸：

• 搜救任务中自动定位落水者（swimmer）与救生设备
• 港口禁航区监控非法船只（boat/jetski）闯入
• 海上游乐区统计摩托艇数量，保障游客安全