YOLOv11实战：从零构建舰船智能检测系统

1. YOLOv11与舰船检测：为什么选择这个组合？

第一次接触YOLOv11是在去年处理一个港口监控项目时。当时试过YOLOv5、YOLOv8等多个版本，最终YOLOv11在准确率和速度的平衡上给了我惊喜。特别是处理海上复杂环境时，它的C3k2块和C2PSA模块对小型舰船的检测效果明显优于前代。

舰船检测最大的难点在于背景干扰。海面波纹、光照变化、天气条件都会影响检测效果。实测发现，YOLOv11的SPPF模块能有效处理这类多尺度目标，而新增的注意力机制让模型在雾天场景下的召回率提升了约15%。

提示：如果你手头的显卡显存小于8GB，建议使用yolov11s而不是yolov11m/l版本，后者虽然精度更高但对硬件要求也更高。

2. 从零搭建开发环境

2.1 硬件准备：别在第一步踩坑

我的开发机配置是RTX 3060显卡+16GB内存，这个配置跑640x640分辨率的模型很流畅。遇到过最坑的问题是CUDA版本冲突，建议直接使用以下组合：

• CUDA 11.7
• cuDNN 8.5.0
• PyTorch 1.13.1

conda create -n yolov11 python=3.8 conda activate yolov11 pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

2.2 数据集处理：90%的工作在这里

公开的舰船数据集主要有SeaShips和FGSC-23，但实际项目中我发现这些数据分布和真实场景差异较大。建议自己采集数据时注意：

• 不同光照条件（顺光/逆光）
• 不同天气（晴/雨/雾）
• 多种拍摄角度（俯视/平视）

标注时推荐使用LabelImg，保存为YOLO格式。文件夹结构应该是：

dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

3. 模型训练实战技巧

3.1 关键参数设置：我的调参笔记

经过20多次实验，这些参数组合效果最好：

• 初始学习率：0.01（用余弦衰减）
• 批量大小：8（显存不够可减半）
• 输入尺寸：640x640
• 数据增强：mosaic=0.5, hsv_h=0.015

model = YOLO('yolov11s.yaml').load('yolov11s.pt') # 从配置文件初始化 results = model.train( data='ship.yaml', epochs=100, batch=8, imgsz=640, device=0, # 使用GPU name='ship_v11' )

3.2 训练过程监控：看懂这些曲线很重要

重点关注三个指标：

1. mAP50-95：高于0.6说明模型不错
2. val/box_loss：低于0.3为佳
3. precision-recall曲线：两者平衡点越靠右上越好

遇到过最头疼的问题是过拟合，解决方法：

• 增加mixup数据增强
• 早停机制（patience=15）
• 减少模型深度

4. 部署到生产环境

4.1 PyQt5界面开发：让算法工程师也能做GUI

用PyQt5封装检测功能时，这几个组件最实用：

• QLabel显示检测结果
• QTimer实现实时视频流
• QThread避免界面卡顿

class DetectionThread(QThread): result_signal = pyqtSignal(np.ndarray) def run(self): while self.running: frame = self.capture.read() results = self.model(frame) self.result_signal.emit(results[0].plot())

4.2 性能优化：从15FPS到30FPS的蜕变

这几个技巧让我的推理速度翻倍：

1. 使用TensorRT加速（需转换模型格式）
2. 将图像预处理移到GPU
3. 启用half-precision推理
4. 使用cv2.dnn.blobFromImage替代手动归一化

最终实现的系统功能：

• 图片检测：支持拖拽操作
• 视频分析：进度条可拖动
• 摄像头实时检测：显示FPS计数
• 批量导出结果：自动生成Excel报告

5. 常见问题解决方案

5.1 漏检问题排查手册

上周刚解决一个典型漏检案例：模型总是漏掉小型渔船。解决方法：

1. 增加锚框数量（从3个改为6个）
2. 在数据集中添加更多小目标样本
3. 调整NMS的iou_threshold到0.45

5.2 内存泄漏排查：一个隐蔽的bug

发现长时间运行后内存会缓慢增长，最终定位到是OpenCV的VideoCapture没有及时释放。现在我的代码里都会加上：

def cleanup(self): if hasattr(self, 'capture'): self.capture.release() cv2.destroyAllWindows()

6. 进阶优化方向

尝试过将YOLOv11与ByteTrack结合实现舰船追踪，效果比单纯检测提升明显。关键修改点：

• 在detect.py中集成追踪器
• 添加轨迹可视化功能
• 设计跨镜头ID保持机制

另一个有意思的尝试是用Gradio快速搭建Web演示界面，10行代码就能实现：

import gradio as gr def detect(image): results = model(image) return results[0].plot() gr.Interface(fn=detect, inputs="image", outputs="image").launch()

最近在试验将模型部署到Jetson Xavier NX边缘设备，遇到的主要挑战是量化后的精度损失。目前的解决方案是使用QAT（量化感知训练），相比PTQ能保持约95%的原始精度。