简介这是一套面向计算机、人工智能、自动化等专业学生与教师的毕业设计或课程设计参考项目围绕YOLOv8实现渔船作业监控与目标检测适合具备一定Python基础、希望快速完成毕设或课设的人群。资源包共97个文件以70个Python源码文件为核心辅以4个pt模型权重、5个xml配置、12个pyc缓存及mp4演示视频等压缩包约24.21MB涵盖模型训练、检测推理、可视化界面与部署说明等模块。项目已包含完整数据集、可视化页面和部署教程简单部署即可运行可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图便于答辩展示与结果分析。目前已有40人学习下载代码均经测试运行成功拿来即可用于毕设、课设或项目初期立项演示也可在此基础上修改扩展实现其他功能。1. 渔船作业监控系统从一段码头视频说起港口的监控室里值班人员盯着十几路摄像头画面靠肉眼判断哪条船在禁渔期出海、哪条船没按规定开启AIS、哪片海域有船只违规拖网。这种场景在沿海渔港很常见问题是人盯屏幕超过二十分钟注意力就会断崖式下降漏报几乎是必然的。基于YOLOv8的渔船作业监控系统要解决的正是这件事把摄像头画面接进来用目标检测模型实时框出画面里的渔船、快艇、浮标等目标再叠加业务规则做告警。整套方案包含源码、可视化界面、完整数据集和部署教程简单部署即可运行适合毕设或课程设计。读者如果是第一次接触YOLOv8训练自己的数据集这套东西能让你在一天内跑通从标注到推理的全链路如果已经做过检测项目重点看数据集组织方式和可视化界面的前后端对接逻辑。2. YOLOv8检测渔船模型选型与数据集准备2.1 为什么渔船场景选YOLOv8而不是Faster R-CNN渔船监控的核心诉求是实时性。码头摄像头通常1080P、25帧如果单帧推理超过40毫秒多路视频流就会堆积延迟。YOLOv8n在GTX 1660 Ti上跑640×640输入单帧推理大约8到12毫秒完全跟得上。Faster R-CNN两阶段检测器精度略高但推理速度差一个数量级部署到边缘设备更吃力。另一个原因是YOLOv8的工程化程度。Ultralytics把训练、验证、导出、推理封装成统一接口改数据集配置就能跑不需要自己写DataLoader和Anchor匹配逻辑。对于毕设或课程设计时间预算有限选YOLOv8能省掉大量调参和调试成本。渔船检测有个特殊点海面反光、船体晃动、远近尺度差异大。YOLOv8的C2f结构和PAN-FPN对多尺度目标比较友好近处大船和远处小渔船能在同一帧里被检出。如果后续要上RK3588这类嵌入式平台YOLOv8n的参数量约3.2MINT8量化后模型体积不到4MB部署压力小。2.2 数据集目录结构与标注规范渔船作业监控系统的数据集一般按VOC或YOLO格式组织。推荐直接用YOLO格式省去转换步骤。目录结构如下dataset/ ├── images/ │ ├── train/ │ │ ├── 000001.jpg │ │ └── ... │ ├── val/ │ │ ├── 000101.jpg │ │ └── ... ├── labels/ │ ├── train/ │ │ ├── 000001.txt │ │ └── ... │ ├── val/ │ │ ├── 000101.txt │ │ └── ... └── data.yaml每个txt文件对应一张图每行格式为class_id x_center y_center width height坐标全部归一化到0到1之间。渔船场景建议至少分四类渔船、快艇、浮标、其他。类别数不要贪多毕设级别四到六类足够类别太多每类样本不够模型学不动。标注工具用LabelImg或Labelme都行。LabelImg直接输出YOLO格式Labelme输出JSON需要转一道。标注时注意三个原则船体被遮挡超过70%的不标海面反光形成的亮斑不标远处小于20×20像素的船只可以标但要在训练时做特殊处理。2.3 data.yaml配置与训练命令data.yaml是YOLOv8读取数据集的入口文件内容如下path: /home/user/dataset train: images/train val: images/val nc: 4 names: 0: fishing_boat 1: speedboat 2: buoy 3: otherpath写数据集根目录绝对路径train和val是相对路径。nc是类别数names按索引顺序写类别名。注意names的索引必须和标注文件里的class_id一致否则训练出来的模型会把渔船识别成浮标。训练命令yolo detect train \ data/home/user/dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ workers4 \ projectruns/train \ namefish_v1modelyolov8n.pt表示从预训练权重开始微调不要从零训练收敛慢且容易过拟合。epochs100对渔船数据集通常够用如果验证集mAP在80轮后还在涨可以加到150。batch16在8GB显存上跑640输入比较稳显存不够就降到8。device0指定第一块GPUCPU训练把device改成cpu但速度会慢20倍以上。训练过程中关注三个指标box_loss、cls_loss、mAP50。box_loss降到0.5以下、cls_loss降到0.3以下、mAP50超过0.85基本可用。如果mAP50卡在0.6上不去先检查标注质量再考虑加数据增强。3. 可视化界面搭建从检测结果到业务告警3.1 界面技术选型PyQt5还是Web端可视化界面有两种常见做法。PyQt5做桌面端打包成exe直接运行适合课程设计演示。Web端用Flask或FastAPI做后端、HTMLJS做前端适合需要远程访问的场景。渔船监控系统推荐Web端因为码头值班室通常有多台电脑需要同时看画面桌面端每台都要装环境维护麻烦。Web端架构分三层后端用FastAPI接收视频流或图片调用YOLOv8推理返回JSON格式的检测框和类别前端用Canvas或OpenCV.js画框中间加一层WebSocket推送实时结果。如果只是毕设演示可以简化成上传图片返回检测结果不需要实时流。3.2 FastAPI后端推理接口后端核心代码from fastapi import FastAPI, UploadFile, File from ultralytics import YOLO import cv2 import numpy as np app FastAPI() model YOLO(runs/train/fish_v1/weights/best.pt) app.post(/detect) async def detect(file: UploadFile File(...)): contents await file.read() nparr np.frombuffer(contents, np.uint8) img cv2.imdecode(nparr, cv2.IMREAD_COLOR) results model(img, conf0.45, iou0.5) detections [] for r in results: boxes r.boxes for box in boxes: x1, y1, x2, y2 box.xyxy[0].tolist() cls_id int(box.cls[0]) conf float(box.conf[0]) detections.append({ bbox: [x1, y1, x2, y2], class: model.names[cls_id], confidence: round(conf, 3) }) return {count: len(detections), detections: detections}conf0.45是置信度阈值低于这个值的框不输出。渔船场景建议设0.4到0.5之间太低会误检海浪反光太高会漏掉远处小船。iou0.5是NMS的IoU阈值控制重叠框合并程度。返回的JSON里包含每个框的坐标、类别名和置信度前端拿到后直接在原图上画矩形和标签。如果要做视频流把model(img)换成model.track(img, persistTrue)YOLOv8内置ByteTrack跟踪能给出每个目标的track_id方便统计进出港船只数量。3.3 前端画框与告警逻辑前端用Canvas画框的核心逻辑function drawBoxes(canvas, detections, imgWidth, imgHeight) { const ctx canvas.getContext(2d); canvas.width imgWidth; canvas.height imgHeight; detections.forEach(det { const [x1, y1, x2, y2] det.bbox; const color det.class fishing_boat ? #00ff00 : #ff0000; ctx.strokeStyle color; ctx.lineWidth 2; ctx.strokeRect(x1, y1, x2 - x1, y2 - y1); ctx.fillStyle color; ctx.font 16px Arial; ctx.fillText( ${det.class} ${det.confidence}, x1, y1 - 5 ); }); }渔船用绿色框其他类别用红色框视觉上区分。告警逻辑加在检测之后如果画面中出现fishing_boat且当前时间在禁渔期触发告警如果fishing_boat数量超过阈值触发告警。告警方式可以是前端弹窗、后端写日志、或者调接口发通知。注意告警规则不要写死在检测代码里单独抽成配置文件方便调整禁渔期时间和数量阈值。4. 部署与性能调优让系统在码头跑起来4.1 本地部署与Docker打包本地部署最简单的方式是用conda建环境conda create -n fishmon python3.10 conda activate fishmon pip install ultralytics fastapi uvicorn python-multipart opencv-pythonUltralytics会自动装PyTorch如果机器有NVIDIA显卡确认CUDA版本匹配。装完后把训练好的best.pt放到指定目录启动FastAPIuvicorn main:app --host 0.0.0.0 --port 8000前端用Nginx托管静态文件或者直接Python起一个http.server。如果要在多台机器部署用Docker打包更省事FROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD [uvicorn, main:app, --host, 0.0.0.0, --port, 8000]构建命令docker build -t fishmon .运行命令docker run -p 8000:8000 fishmon。注意Docker里如果要调GPU需要装nvidia-docker并加--gpus all参数。4.2 推理速度优化从12ms到5msYOLOv8n在GTX 1660 Ti上跑640输入大约12ms如果觉得不够快有三个方向可以压第一降低输入尺寸。把imgsz从640改成416推理时间能降到6到7msmAP50大概掉2到3个点。渔船检测对远处小目标敏感416可能漏检建议先试480。第二导出TensorRT引擎。命令yolo export modelbest.pt formatengine halfTrue device0halfTrue启用FP16精度推理速度提升30%到50%精度损失很小。导出的.engine文件用TensorRT加载比PyTorch原生推理快2到3倍。第三批处理。如果同时处理多路视频把多帧拼成一个batch送进模型GPU利用率更高。YOLOv8的model()接口支持传入列表imgs [img1, img2, img3, img4] results model(imgs, conf0.45)batch4时单帧平均耗时能降到8ms左右。但要注意显存占用会翻倍8GB显存跑batch4的640输入接近上限。4.3 模型精度不够时的排查路径训练完发现mAP50只有0.6按以下顺序排查先看验证集预测结果。用yolo detect val modelbest.pt datadata.yaml跑一遍把预测图导出来肉眼看看漏检和误检分别是什么情况。漏检多说明模型没学好特征误检多说明背景干扰大。再看标注。随机抽20张训练图把标注框画出来叠加在原图上检查有没有标错类别、框不贴边、漏标。标注错误是mAP上不去最常见的原因没有之一。然后看数据量。每类至少500张标注图四类就是2000张。如果某类只有100张模型对这类基本学不会。数据不够就做增强随机翻转、随机裁剪、Mosaic、MixUp。YOLOv8默认开启Mosaic和MixUp可以在data.yaml同级加augment.yaml调整增强参数。最后看超参。学习率默认0.01如果loss震荡厉害降到0.001。权重衰减默认0.0005过拟合时加到0.001。这些参数在训练命令里用lr00.001 weight_decay0.001覆盖。5. 避坑与常见问题排查5.1 训练时loss变成nan现象训练开始几个epoch后box_loss突然变成nan模型输出全零。原因学习率太高导致梯度爆炸或者数据集中有损坏图片。渔船数据集如果从网络爬取经常混入截断的JPEG文件。解决先把学习率降到0.001重跑。如果还是nan用脚本检查所有图片能否正常解码from PIL import Image import os for root, _, files in os.walk(dataset/images): for f in files: path os.path.join(root, f) try: Image.open(path).verify() except Exception as e: print(f损坏: {path}, {e})把损坏图片删掉或重新下载再训练。5.2 验证集mAP正常但实际推理漏检严重现象验证集mAP50有0.88但拿码头实拍视频跑一半渔船没框出来。原因训练集和实际场景分布不一致。训练集可能是网上找的清晰图片实际监控画面有雾、有雨、有逆光模型没见过这些情况。解决从实际监控视频里截取500到1000帧标注后加入训练集重新微调。微调时学习率设小一点0.0005epochs设30到50不要从头训。另外推理时把conf从0.45降到0.35召回率会提升。5.3 可视化界面图片显示变形现象前端Canvas画的框和图片对不上框偏移或者比例不对。原因Canvas尺寸和图片原始尺寸不一致或者后端返回的坐标是归一化坐标但前端按像素坐标画。解决后端返回绝对像素坐标前端拿到图片后先读naturalWidth和naturalHeight把Canvas的width和height设成一样的值。如果图片用CSS缩放显示画框时按缩放比例换算坐标const scaleX canvas.width / img.naturalWidth; const scaleY canvas.height / img.naturalHeight; ctx.strokeRect(x1 * scaleX, y1 * scaleY, (x2-x1)*scaleX, (y2-y1)*scaleY);5.4 Docker容器里GPU不可用现象本地跑得好好的打包成Docker后推理速度变成CPU速度torch.cuda.is_available()返回False。原因Docker默认不挂载GPU设备需要装nvidia-container-toolkit并在运行时加参数。解决宿主机装好NVIDIA驱动和nvidia-container-toolkit运行容器时加--gpus alldocker run --gpus all -p 8000:8000 fishmon进容器后用nvidia-smi确认GPU可见。如果还是不行检查Dockerfile里装的PyTorch是不是CUDA版本pip install torch默认装CPU版要指定--index-url装CUDA版。5.5 多路视频流延迟越积越大现象单路视频推理正常同时接四路后画面延迟从1秒涨到10秒。原因推理速度跟不上视频帧率帧在队列里堆积。四路25帧视频每秒100帧单帧12ms只能处理83帧缺口17帧。解决三个方案选一个。降帧率每路抽帧到15帧降分辨率输入从640改成416上批处理四路拼一个batch推理。最稳的是抽帧加批处理组合四路15帧每秒60帧batch4单帧8ms能处理125帧余量充足。6. 用跟踪ID统计进出港船只一个实用进阶技巧检测框只能告诉你画面里有什么但渔船监控的业务价值在于统计。比如统计一天有多少条船进出港口、每条船在港内停留多久。这需要把检测框和跟踪ID关联起来。YOLOv8内置了ByteTrack调用方式很简单from ultralytics import YOLO model YOLO(best.pt) results model.track(sourceport_video.mp4, persistTrue, trackerbytetrack.yaml) for r in results: if r.boxes.id is not None: ids r.boxes.id.tolist() clss r.boxes.cls.tolist() for tid, cls in zip(ids, clss): if model.names[int(cls)] fishing_boat: print(ftrack_id{tid} 渔船出现)persistTrue让跟踪器在帧之间保持状态trackerbytetrack.yaml指定跟踪算法。每帧输出的boxes.id就是跟踪ID同一个ID在连续帧里代表同一条船。有了跟踪ID统计逻辑就好写了。维护一个字典tracks {track_id: {first_seen: t1, last_seen: t2, frames: n}}每帧更新。当某个ID连续30帧没出现认为这条船离开画面把停留时长写入日志。如果摄像头装在港口出入口还能通过检测框中心点穿越预设线的方向判断是进港还是出港。这里有个血泪经验跟踪ID在遮挡后会跳变。一条船被另一条船挡住几秒重新出现时ByteTrack可能分配新ID导致统计重复。解决办法是加一个IOU匹配的后悔药新ID出现时和最近消失的ID做IOU匹配如果IOU大于0.3就认为是同一条船合并统计。这个逻辑不复杂但能显著降低重复计数。验证跟踪效果的方法拿一段已知船只数量的视频跑一遍对比统计结果和人工计数。如果误差在10%以内基本可用。误差大就调bytetrack.yaml里的track_high_thresh和track_buffer参数前者控制检测框进入跟踪的门槛后者控制ID保留帧数。渔船场景建议track_buffer设60到90给遮挡留足恢复时间。我自己做这类系统时养成的习惯是每换一个码头场景先跑一段空场景视频确认没有误检再跑一段有船视频确认跟踪ID稳定最后才接告警逻辑。跳过前两步直接上业务规则翻车概率极高。希望帮到你。本文还有配套的精品资源点击获取