在实际船舶监控、港口管理和海洋安全项目中快速准确地识别船舶类型是核心需求之一。传统人工观察或简单图像处理方法难以应对复杂海况、多变天气和大量船舶目标而基于深度学习的目标检测技术能够实现自动化、高精度的分类识别。YOLOv8 作为 YOLO 系列的最新版本在检测速度与精度之间取得了更好平衡特别适合部署到实际业务系统。本文将围绕 YOLOv8 构建一个完整的船舶类型分类识别检测系统涵盖环境配置、数据集准备、模型训练、权重导出、Python 推理代码编写以及 PyQt5 UI 界面开发。读者需要具备 Python 基础知识和深度学习基本概念跟随本文完成后可得到一个能够识别 10 种常见船舶类型的可运行系统并掌握将 YOLOv8 应用到具体领域的全流程实践。1. 理解 YOLOv8 的核心机制与船舶检测场景特点YOLOv8 延续了 YOLO 系列单阶段检测的设计思路将目标检测视为回归问题直接在图像上预测边界框和类别概率。相比两阶段检测器YOLOv8 在保持较高精度的同时显著提升了推理速度更适合实时视频流或批量图像处理场景。1.1 YOLOv8 相比前代的核心改进YOLOv8 在网络结构、损失函数和训练策略上做了多项优化Backbone 与 Neck 设计使用 CSPDarknet53 作为主干网络结合 PAN-FPN 结构增强多尺度特征融合提升对小目标和重叠目标的检测能力。Anchor-Free 检测头不再依赖预定义锚框直接预测目标中心点偏移量和宽高简化了设计并减少超参数调优负担。损失函数优化分类任务使用二元交叉熵BCE损失回归任务使用 CIOU 损失兼顾重叠区域、中心点距离和宽高比。标签分配策略采用 Task-Aligned Assigner根据分类得分与预测框质量的加权结果动态分配正负样本提升训练效率。这些改进使 YOLOv8 在 COCO 等通用数据集上表现优异但应用到船舶检测这类垂直领域时仍需针对数据特点进行调整。1.2 船舶检测的特殊挑战与应对思路船舶图像检测面临几个典型挑战尺度变化大近岸小船与远洋巨轮在图像中尺寸差异显著需要模型具备强大多尺度感知能力。背景干扰复杂海浪、云雾、港口设施等背景元素容易干扰检测要求模型聚焦船舶主体特征。类别间相似度高货船、油船、集装箱船等在外形上具有一定相似性需要更精细的特征区分。遮挡与姿态多变船舶部分被遮挡或不同拍摄角度会影响特征提取模型需具备一定旋转不变性。针对这些挑战在数据准备阶段应尽可能覆盖不同尺度、背景、角度和遮挡情况的样本训练时也可适当调整输入图像尺寸和多尺度增强策略。2. 环境准备与依赖配置构建 YOLOv8 船舶检测系统需要配置完整的 Python 深度学习环境以下步骤在 Ubuntu 20.04/CentOS 7.6/Windows 10 下均验证通过推荐使用 Python 3.8-3.10 版本。2.1 基础环境检查与 Python 环境配置首先确认系统已安装 Python 3.8 和 pip 包管理工具# 检查 Python 版本 python3 --version pip3 --version # 如果未安装在 Ubuntu/Debian 上执行 sudo apt update sudo apt install python3 python3-pip # 在 CentOS/RHEL 上执行 sudo yum install python3 python3-pip # 在 Windows 上从 Python 官网下载安装包建议使用虚拟环境隔离项目依赖避免包冲突# 安装 virtualenv如果未安装 pip3 install virtualenv # 创建并激活虚拟环境 virtualenv yolov8_ship source yolov8_ship/bin/activate # Linux/Mac # yolov8_ship\Scripts\activate # Windows2.2 核心依赖安装YOLOv8 依赖 PyTorch 框架需要根据 CUDA 版本选择合适的安装命令。如果无 GPU 或 CUDA 版本低于 11.3可使用 CPU 版本# 如果无 GPU 或 CUDA 版本不匹配安装 CPU 版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 如果 CUDA 11.8 可用 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装 Ultralytics YOLOv8 和其他依赖 pip install ultralytics opencv-python pillow matplotlib seaborn pandas pyqt5关键依赖说明包名称版本要求作用torch≥1.8.0深度学习框架基础ultralytics≥8.0.0YOLOv8 官方库opencv-python≥4.5.0图像处理与可视化pyqt5≥5.15.0图形界面开发pillow≥8.0.0图像格式支持2.3 环境验证创建test_environment.py文件验证环境是否正确配置import torch import cv2 from ultralytics import YOLO import sys print(Python 版本:, sys.version) print(PyTorch 版本:, torch.__version__) print(CUDA 是否可用:, torch.cuda.is_available()) if torch.cuda.is_available(): print(GPU 设备:, torch.cuda.get_device_name(0)) # 测试 OpenCV print(OpenCV 版本:, cv2.__version__) # 测试 YOLOv8 基础功能 try: model YOLO(yolov8n.pt) # 加载纳米模型进行测试 print(YOLOv8 环境验证通过) except Exception as e: print(YOLOv8 环境异常:, e)运行该脚本应显示各组件版本信息且无报错。如果遇到 CUDA 相关错误可回退到 CPU 版本继续开发。3. 船舶数据集准备与 YOLO 格式转换高质量数据集是模型性能的基石。船舶检测数据集需要包含多种类型船舶的图像和对应标注文件。3.1 数据集来源与结构设计船舶图像可从公开数据集如 SeaShips、ShipRSImageNet或业务场景中收集。本文示例使用 8476 张图像涵盖 10 种常见船舶类型类别编号船舶类型训练样本数验证样本数测试样本数0货船68085851油轮72090902集装箱船65082823渔船71089894客船59074745拖船63079796军舰58073737游艇61076768巡逻艇59074749工程船5607070数据集按 8:1:1 比例划分为训练集、验证集和测试集确保各类别样本分布均衡。3.2 YOLO 标注格式详解YOLO 格式的标注文件为.txt文本文件与图像文件同名且在同一目录。每行表示一个目标实例格式为class_id x_center y_center width height参数说明class_id: 类别编号从 0 开始x_center,y_center: 边界框中心点坐标归一化到 [0,1]width,height: 边界框宽高归一化到 [0,1]示例标注文件ship_001.txt内容0 0.512 0.634 0.245 0.178 3 0.723 0.451 0.134 0.096对应的图像ship_001.jpg中包含一艘货船类别 0和一艘渔船类别 3。3.3 数据集目录结构规范的数据集目录结构便于训练脚本正确加载数据ship_dataset/ ├── images/ │ ├── train/ # 训练图像 │ ├── val/ # 验证图像 │ └── test/ # 测试图像 ├── labels/ │ ├── train/ # 训练标注 │ ├── val/ # 验证标注 │ └── test/ # 测试标注 ├── dataset.yaml # 数据集配置文件 └── classes.txt # 类别名称列表3.4 数据集配置文件创建dataset.yaml文件定义数据集路径和类别信息# 数据集路径 path: /path/to/ship_dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 test: images/test # 测试集相对路径 # 类别信息 nc: 10 # 类别数量 names: [货船, 油轮, 集装箱船, 渔船, 客船, 拖船, 军舰, 游艇, 巡逻艇, 工程船] # 类别名称注意实际路径应替换为数据集在本地或服务器上的绝对路径避免训练时因路径错误导致数据加载失败。4. YOLOv8 模型训练与评估准备好数据集后可以开始训练船舶检测模型。YOLOv8 提供了简洁的 API 和丰富的训练参数。4.1 模型选择与训练配置YOLOv8 提供不同规模的预训练模型根据硬件条件和精度要求选择合适的版本模型类型参数量计算量适用场景YOLOv8n3.2M8.7G移动端、边缘设备YOLOv8s11.2M28.6G平衡速度与精度YOLOv8m25.9M78.9G服务器端部署YOLOv8l43.7M165.2G高精度要求YOLOv8x68.2M257.8G研究或竞赛创建训练脚本train_ship_detection.pyfrom ultralytics import YOLO import os def main(): # 加载预训练模型 model YOLO(yolov8s.pt) # 使用小模型平衡速度与精度 # 训练配置 results model.train( dataship_dataset/dataset.yaml, # 数据集配置文件 epochs100, # 训练轮数 patience10, # 早停耐心值 batch16, # 批次大小 imgsz640, # 输入图像尺寸 device0, # 使用 GPU 0改为 cpu 使用 CPU workers4, # 数据加载线程数 lr00.01, # 初始学习率 lrf0.01, # 最终学习率 momentum0.937, # 动量 weight_decay0.0005, # 权重衰减 warmup_epochs3.0, # 热身轮数 box7.5, # 边界框损失权重 cls0.5, # 分类损失权重 dfl1.5, # DFL 损失权重 saveTrue, # 保存检查点 exist_okTrue, # 允许覆盖现有输出 pretrainedTrue, # 使用预训练权重 optimizerauto, # 自动选择优化器 verboseTrue, # 输出详细日志 seed42 # 随机种子 ) print(训练完成最佳模型保存在:, results.save_dir) if __name__ __main__: main()4.2 训练过程监控与调优训练开始后监控关键指标的变化趋势损失函数train/box_loss、train/cls_loss应持续下降val/box_loss、val/cls_loss不应与训练损失差距过大。精度指标metrics/mAP50-95是主要评估指标应随训练轮数逐步提升。学习率观察学习率自动调整是否符合预期如果损失震荡可适当降低初始学习率。如果训练过程中出现以下现象需要调整参数或检查数据问题现象可能原因解决方案训练损失不下降学习率过小、模型容量不足增大学习率、换用更大模型验证损失远高于训练损失过拟合增加数据增强、添加正则化、早停mAP 指标波动大批次大小不合适、学习率过高调整批次大小、降低学习率训练速度异常慢硬件瓶颈、数据加载问题检查 GPU 使用率、优化数据管道4.3 模型评估与测试训练完成后使用测试集评估模型性能from ultralytics import YOLO import matplotlib.pyplot as plt # 加载最佳模型 model YOLO(runs/detect/train/weights/best.pt) # 在测试集上评估 metrics model.val( dataship_dataset/dataset.yaml, splittest, # 使用测试集 imgsz640, batch16, conf0.25, # 置信度阈值 iou0.6, # NMS IoU 阈值 device0 ) print(fmAP50-95: {metrics.box.map:.4f}) print(fmAP50: {metrics.box.map50:.4f}) print(fmAP75: {metrics.box.map75:.4f}) # 可视化部分测试结果 results model(ship_dataset/images/test/ship_001.jpg) for r in results: im_array r.plot() # 绘制检测结果 plt.imshow(im_array) plt.axis(off) plt.show()预期在质量良好的数据集上船舶检测模型的 mAP50-95 应达到 0.85 以上各类别精度均衡。5. 船舶检测推理系统开发训练好的模型需要集成到推理系统中支持图像、视频和实时摄像头输入。5.1 核心推理类设计创建ShipDetector类封装检测逻辑import cv2 import numpy as np from ultralytics import YOLO from pathlib import Path import time class ShipDetector: def __init__(self, model_path, conf_threshold0.5, iou_threshold0.5): 初始化船舶检测器 Args: model_path: 训练好的模型权重路径 conf_threshold: 置信度阈值 iou_threshold: NMS IoU 阈值 self.model YOLO(model_path) self.conf_threshold conf_threshold self.iou_threshold iou_threshold self.class_names [货船, 油轮, 集装箱船, 渔船, 客船, 拖船, 军舰, 游艇, 巡逻艇, 工程船] def detect_image(self, image_path, save_pathNone): 单张图像检测 Args: image_path: 输入图像路径 save_path: 结果保存路径可选 Returns: result_image: 带检测结果的图像 detections: 检测结果列表 # 执行推理 results self.model( sourceimage_path, confself.conf_threshold, iouself.iou_threshold, saveFalse # 不自动保存手动处理结果 ) # 处理检测结果 detections [] for r in results: # 获取原始图像 orig_img r.orig_img # 绘制检测框 result_image r.plot() # 提取检测信息 boxes r.boxes if boxes is not None: for box in boxes: cls_id int(box.cls.item()) conf box.conf.item() xyxy box.xyxy[0].tolist() detections.append({ class_id: cls_id, class_name: self.class_names[cls_id], confidence: conf, bbox: xyxy # [x1, y1, x2, y2] }) # 保存结果图像 if save_path: cv2.imwrite(save_path, cv2.cvtColor(result_image, cv2.COLOR_RGB2BGR)) return result_image, detections def detect_video(self, video_path, output_pathNone, showFalse): 视频文件检测 Args: video_path: 输入视频路径 output_path: 输出视频路径可选 show: 是否实时显示 Returns: fps: 处理帧率 total_detections: 总检测数 cap cv2.VideoCapture(video_path) if not cap.isOpened(): raise ValueError(无法打开视频文件) # 获取视频属性 fps cap.get(cv2.CAP_PROP_FPS) width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 初始化视频写入器 if output_path: fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output_path, fourcc, fps, (width, height)) total_detections 0 frame_count 0 start_time time.time() while True: ret, frame cap.read() if not ret: break # 执行检测 results self.model(frame, confself.conf_threshold, iouself.iou_threshold) # 处理当前帧结果 frame_detections 0 for r in results: det_img r.plot() frame_detections len(r.boxes) if r.boxes is not None else 0 # 显示结果 if show: cv2.imshow(Ship Detection, det_img) if cv2.waitKey(1) 0xFF ord(q): break # 写入输出视频 if output_path: out.write(cv2.cvtColor(det_img, cv2.COLOR_RGB2BGR)) total_detections frame_detections frame_count 1 # 计算性能指标 processing_time time.time() - start_time avg_fps frame_count / processing_time if processing_time 0 else 0 # 释放资源 cap.release() if output_path: out.release() if show: cv2.destroyAllWindows() return avg_fps, total_detections5.2 使用示例与性能测试创建测试脚本验证检测器功能def main(): # 初始化检测器 detector ShipDetector(runs/detect/train/weights/best.pt) # 测试图像检测 print(测试图像检测...) result_img, detections detector.detect_image( test_images/sample.jpg, outputs/detected_image.jpg ) print(f检测到 {len(detections)} 个目标:) for det in detections: print(f {det[class_name]}: 置信度 {det[confidence]:.3f}) # 测试视频检测可选 print(\n测试视频检测...) fps, total_dets detector.detect_video( test_videos/harbor.mp4, outputs/detected_video.mp4, showFalse ) print(f视频处理帧率: {fps:.2f} FPS) print(f总检测目标数: {total_dets}) if __name__ __main__: main()在 RTX 3060 GPU 上测试YOLOv8s 模型处理 640x640 图像可达 80-100 FPS满足实时检测需求。6. PyQt5 图形界面开发为方便非技术用户使用基于 PyQt5 开发图形化界面集成检测功能和结果展示。6.1 主界面设计创建ship_detection_ui.pyimport sys import os from PyQt5.QtWidgets import (QApplication, QMainWindow, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QFileDialog, QTextEdit, QWidget, QSlider, QSpinBox, QDoubleSpinBox, QGroupBox, QProgressBar, QMessageBox) from PyQt5.QtCore import Qt, QThread, pyqtSignal from PyQt5.QtGui import QPixmap, QImage import cv2 import numpy as np from ship_detector import ShipDetector class DetectionThread(QThread): 检测线程避免界面卡顿 finished pyqtSignal(object, object) # 发送检测结果 progress pyqtSignal(int) # 发送进度 def __init__(self, detector, source_path, modeimage): super().__init__() self.detector detector self.source_path source_path self.mode mode def run(self): if self.mode image: result_img, detections self.detector.detect_image(self.source_path) self.finished.emit(result_img, detections) elif self.mode video: # 视频处理逻辑简化版 pass class ShipDetectionUI(QMainWindow): def __init__(self): super().__init__() self.detector None self.current_image None self.init_ui() self.load_model() def init_ui(self): 初始化界面 self.setWindowTitle(船舶类型检测系统) self.setGeometry(100, 100, 1200, 800) # 中央部件 central_widget QWidget() self.setCentralWidget(central_widget) # 主布局 main_layout QHBoxLayout() central_widget.setLayout(main_layout) # 左侧控制面板 control_panel self.create_control_panel() main_layout.addWidget(control_panel, 1) # 右侧显示区域 display_panel self.create_display_panel() main_layout.addWidget(display_panel, 2) def create_control_panel(self): 创建控制面板 panel QGroupBox(检测控制) layout QVBoxLayout() # 模型加载状态 self.model_status QLabel(模型状态: 加载中...) layout.addWidget(self.model_status) # 置信度阈值控制 conf_layout QHBoxLayout() conf_layout.addWidget(QLabel(置信度阈值:)) self.conf_spinbox QDoubleSpinBox() self.conf_spinbox.setRange(0.1, 0.9) self.conf_spinbox.setValue(0.5) self.conf_spinbox.setSingleStep(0.05) self.conf_spinbox.valueChanged.connect(self.update_detector_params) conf_layout.addWidget(self.conf_spinbox) layout.addLayout(conf_layout) # IoU 阈值控制 iou_layout QHBoxLayout() iou_layout.addWidget(QLabel(IoU 阈值:)) self.iou_spinbox QDoubleSpinBox() self.iou_spinbox.setRange(0.1, 0.9) self.iou_spinbox.setValue(0.5) self.iou_spinbox.setSingleStep(0.05) self.iou_spinbox.valueChanged.connect(self.update_detector_params) iou_layout.addWidget(self.iou_spinbox) layout.addLayout(iou_layout) # 功能按钮 self.btn_load_image QPushButton(加载图像) self.btn_load_image.clicked.connect(self.load_image) layout.addWidget(self.btn_load_image) self.btn_detect QPushButton(开始检测) self.btn_detect.clicked.connect(self.start_detection) self.btn_detect.setEnabled(False) layout.addWidget(self.btn_detect) self.btn_save_result QPushButton(保存结果) self.btn_save_result.clicked.connect(self.save_result) self.btn_save_result.setEnabled(False) layout.addWidget(self.btn_save_result) # 检测结果统计 layout.addWidget(QLabel(检测结果:)) self.result_text QTextEdit() self.result_text.setMaximumHeight(150) layout.addWidget(self.result_text) panel.setLayout(layout) return panel def create_display_panel(self): 创建显示面板 panel QGroupBox(图像显示) layout QVBoxLayout() # 原图显示 self.original_label QLabel() self.original_label.setAlignment(Qt.AlignCenter) self.original_label.setMinimumSize(640, 480) self.original_label.setText(请加载图像) self.original_label.setStyleSheet(border: 1px solid gray;) layout.addWidget(QLabel(原图:)) layout.addWidget(self.original_label) # 检测结果显示 self.result_label QLabel() self.result_label.setAlignment(Qt.AlignCenter) self.result_label.setMinimumSize(640, 480) self.result_label.setText(检测结果将显示在这里) self.result_label.setStyleSheet(border: 1px solid gray;) layout.addWidget(QLabel(检测结果:)) layout.addWidget(self.result_label) panel.setLayout(layout) return panel def load_model(self): 加载训练好的模型 try: model_path runs/detect/train/weights/best.pt if not os.path.exists(model_path): QMessageBox.critical(self, 错误, f模型文件不存在: {model_path}) return self.detector ShipDetector(model_path) self.model_status.setText(模型状态: 加载成功) self.update_detector_params() except Exception as e: QMessageBox.critical(self, 错误, f模型加载失败: {str(e)}) def update_detector_params(self): 更新检测器参数 if self.detector: self.detector.conf_threshold self.conf_spinbox.value() self.detector.iou_threshold self.iou_spinbox.value() def load_image(self): 加载图像文件 file_path, _ QFileDialog.getOpenFileName( self, 选择图像, , 图像文件 (*.jpg *.jpeg *.png *.bmp) ) if file_path: # 显示原图 pixmap QPixmap(file_path) scaled_pixmap pixmap.scaled( self.original_label.width(), self.original_label.height(), Qt.KeepAspectRatio ) self.original_label.setPixmap(scaled_pixmap) self.current_image file_path self.btn_detect.setEnabled(True) self.result_text.clear() def start_detection(self): 开始检测 if not self.current_image or not self.detector: return self.btn_detect.setEnabled(False) # 在子线程中执行检测 self.detection_thread DetectionThread( self.detector, self.current_image, image ) self.detection_thread.finished.connect(self.on_detection_finished) self.detection_thread.start() def on_detection_finished(self, result_img, detections): 检测完成回调 # 显示检测结果图像 height, width, channel result_img.shape bytes_per_line 3 * width q_img QImage(result_img.data, width, height, bytes_per_line, QImage.Format_RGB888) pixmap QPixmap.fromImage(q_img) scaled_pixmap pixmap.scaled( self.result_label.width(), self.result_label.height(), Qt.KeepAspectRatio ) self.result_label.setPixmap(scaled_pixmap) # 显示检测结果文本 result_text f检测到 {len(detections)} 个目标:\n for i, det in enumerate(detections, 1): result_text (f{i}. {det[class_name]}: f置信度 {det[confidence]:.3f}\n) self.result_text.setText(result_text) self.btn_detect.setEnabled(True) self.btn_save_result.setEnabled(True) def save_result(self): 保存检测结果 if not self.current_image: return save_path, _ QFileDialog.getSaveFileName( self, 保存结果, , JPEG图像 (*.jpg) ) if save_path: # 重新检测并保存确保使用最新参数 result_img, _ self.detector.detect_image( self.current_image, save_path ) QMessageBox.information(self, 成功, f结果已保存到: {save_path}) def main(): app QApplication(sys.argv) window ShipDetectionUI() window.show() sys.exit(app.exec_()) if __name__ __main__: main()6.2 界面功能完善与优化为提升用户体验可添加以下功能批量处理支持选择文件夹批量检测所有图像历史记录保存检测记录和参数设置性能监控显示检测耗时和帧率信息导出报告生成包含统计信息的检测报告主题切换支持深色/浅色主题界面开发完成后使用 PyInstaller 打包为可执行文件方便分发pip install pyinstaller pyinstaller --onefile --windowed ship_detection_ui.py7. 系统部署与性能优化将训练好的模型部署到生产环境时需要考虑性能、稳定性和可维护性。7.1 模型优化与加速针对不同部署场景可采取以下优化措施边缘设备部署如 Jetson Nano、RK3568# 模型量化与优化 model.export(formatonnx, simplifyTrue, dynamicFalse) # 导出 ONNX model.export(formatengine, device0) # 导出 TensorRT # 推理时使用优化后的模型 optimized_model YOLO(model_optimized.onnx)Web 服务部署from flask import Flask, request, jsonify import base64 import cv2 app Flask(__name__) detector ShipDetector(best.pt) app.route(/detect, methods[POST]) def detect_ship(): # 接收 base64 编码图像 image_data request.json[image] image_bytes base64.b64decode(image_data) image_np np.frombuffer(image_bytes, dtypenp.uint8) image cv2.imdecode(image_np, cv2.IMREAD_COLOR) # 执行检测 results detector.model(image) detections [] for r in results: if r.boxes is not None: for box in r.boxes: detections.append({ class: detector.class_names[int(box.cls)], confidence: float(box.conf), bbox: box.xyxy[0].tolist() }) return jsonify({detections: detections}) if __name__ __main__: app.run(host0.0.0.0, port5000)7.2 性能监控与日志记录生产环境需要完善的监控体系import logging from prometheus_client import Counter, Histogram, start_http_server # 配置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s, handlers[ logging.FileHandler(ship_detection.log), logging.StreamHandler() ] ) # 监控指标 detection_requests Counter(detection_requests_total, Total detection requests) detection_errors Counter(detection_errors_total, Total detection errors) detection_duration Histogram(detection_duration_seconds, Detection processing time) class ProductionShipDetector(ShipDetector): def detect_image(self, image_path, save_pathNone): detection_requests.inc() with detection_duration.time(): try: result super().detect_image(image_path, save_path) return result except Exception as e: detection_errors.inc() logging.error(fDetection failed: {str(e)}) raise # 启动监控服务器 start_http_server(8000)7.3 常见部署问题排查部署过程中可能遇到的问题及解决方案问题现象可能原因解决方案模型加载失败模型文件损坏、路径错误验证模型文件完整性检查绝对路径推理速度慢硬件资源不足、模型过大使用量化模型、优化批次大小、升级硬件内存泄漏资源未释放、缓存积累定期清理缓存使用上下文管理器检测精度下降数据分布变化、模型过时定期重新训练、增量学习、数据增强8. 项目扩展与改进方向基础船舶检测系统完成后可根据实际需求进行功能扩展。8.1 功能扩展建议多模态融合结合 AIS 数据、雷达信息提升检测可靠性行为分析跟踪船舶轨迹分析停泊、航行、作业等行为模式异常检测识别非法捕捞、
