摘要：
合集：AI案例-CV-交通
数据集：船舶目标检测数据集
数据集价值：为研究和解决复杂场景下船舶目标检测问题
一、数据集内容
船舶目标检测数据集是一种基于复杂场景（如交通密集的港口、船只聚集的渔业区以及船岸混合交通场景等）的船舶目标检测数据集，船舶并不一定是图像或者视频帧的主体部分，船舶可能只是背景的一部分甚至会被遮挡。
这个数据集专为研究和解决复杂场景下船舶目标检测问题而设计。包含多样性丰富的环境，如交通繁忙的港口、船只密集的渔业区，以及船与岸边混合交通场景。与传统的船舶目标检测数据集不同，本数据集特意考虑了在实际应用场景中常见但在数据集中经常被忽视的问题。例如，船舶在图像或视频帧中不一定是主体，有时仅作为背景出现。此外，数据集还包括船只部分或完全被其他对象遮挡的情况。
这些特点使得本数据集非常适用于开发和评估目标检测算法在复杂、多变和部分遮挡条件下的性能。数据集旨在推动船舶目标检测和相关领域的研究进展，以满足日益增长的实际应用需求，例如航海安全、渔业管理以及海洋环境保护等。
二、数据结构
采用YOLOv5格式，例如使用LabelImg标注工具进行标注时候，通常会生成以下五个字段：
- Class ID (类别ID)
- 定义：目标类别的唯一标识符。
- 示例：如果类别是“car”, “person”, “dog”，对应的ID可能是0, 1, 2。
- Bounding Box Coordinates (边框坐标)
- 定义：用于定义目标在图片中的位置的四组坐标值，但与常规标注不同，YOLOv5使用的是归一化坐标。
- 组成：
x_center: 边框中心点的x坐标（归一化）y_center: 边框中心点的y坐标（归一化）width: 边框的宽度（归一化）height: 边框的高度（归一化）
- 范围：所有值都在0到1之间，相对于图片的宽度和高度。
- Confidence (置信度)
- 定义：标注者对标注结果的信心程度以及检测算法对该目标的置信度。
- 范围：通常是从0到1的浮点数，0表示完全不确定，1表示完全确定。
- Class Name (类别名称)
- 定义：目标的类别名称。
- 示例：car, person, dog等。
- Attributes (属性)
- 定义：与目标相关的附加信息。
- 内容：可能包括颜色、大小、方向等描述性特征。
- 示例：对于“car”类别，属性可能包括“red”, “sedan”, “moving”等。
在使用LabelImg时，你需要确保导出的标注文件格式符合YOLOv5的要求，通常是.txt文件，每行代表一个目标，格式如下：
<class_id> <x_center> <y_center> <width> <height> <confidence>
如果包含属性信息，可能需要额外的处理或自定义格式。
例如，下图000016.jpg的标注文件为：0000016.txt，内容为：0 0.8981770833333333 0.5185185185185185 0.20364583333333333 0.04259259259259259。
例如，下图000008.jpg的标注文件为：000008.txt，内容为：0 0.608854 0.467593 0.205208 0.055556
三、许可协议
GPL-2.0
四、获取案例套装
文件包大小：860 MB