以下为基于YOLOv11的遥感船舰小目标检测训练方案介绍，结合其技术特性与遥感场景需求，从数据准备、模型改进到训练优化展开论述：
一、遥感船舰小目标检测的技术挑战与YOLOv11适配性
遥感图像中的船舰检测面临多重挑战：目标尺寸小（如卫星图像中的舰船仅占数十像素）、背景复杂（如海浪、云层干扰）、图像分辨率低、传感器噪声多等。YOLOv11通过以下特性适配此类场景：
二、数据准备与标注规范
1. 数据集选择与预处理
- 推荐数据集：HRSC2016（含22类舰船，如驱逐舰、潜艇）或DIOR（含高分辨率遥感图像）。需确保数据包含小目标样本（如舰船占图像面积<1%）。
- 数据增强策略：针对遥感图像特性，采用Mosaic增强、随机旋转（模拟不同拍摄角度）、高斯噪声注入（模拟传感器噪声）、低光照模拟等。
2. 标注格式转换
- 标注工具：使用LabelMe标注矩形框，生成JSON文件后转换为YOLOv11要求的TXT格式。转换代码需处理归一化坐标（中心点x_center、y_center及宽高width、height），并映射类别ID。
- 标签验证：需检查坐标归一化是否准确，避免因图像尺寸变化导致的标注偏移。
3. 数据集配置文件
- 创建data.yaml文件，定义训练集、验证集路径及类别信息，例如：train: ../train/images
val: ../valid/images
nc: 22
names: ['Aircraft Carrier', 'Destroyer', …]确保路径与实际数据集结构一致。
三、模型改进与训练优化策略
1. 小目标检测专用模块
- 自适应阈值焦点损失（ATFL）：动态调整困难样本（小目标）的损失权重，缓解背景-目标不平衡问题。公式中通过预测概率自适应调整调制因子，增强对小目标的关注。
- 边缘-高斯聚合（EGA）模块：专为低质量遥感图像设计，通过边缘特征提取与高斯滤波融合，减少噪声干扰并增强目标轮廓。
- 增加小目标检测头：在特征金字塔网络（Neck）中新增针对高分辨率特征层的检测头，提升小目标的召回率。
2. 训练参数配置
- 输入尺寸：建议使用高分辨率输入（如1280×1280），避免下采样导致小目标信息丢失。
- 学习率与批次大小：初始学习率设为0.01，采用余弦退火策略；批次大小根据GPU显存调整（如16-32）。
- 训练周期：至少200个epoch，配合早停机制（patience=50）防止过拟合。
3. 评估与调优
- 关键指标：关注mAP@0.5:0.95（综合精度）和小目标类别的AP值。可通过混淆矩阵分析漏检原因（如类别混淆或定位偏差）。
- 超参数优化：使用遗传算法或贝叶斯优化搜索最佳锚框尺寸与损失函数权重组合。
四、实际应用与部署
五、总结
YOLOv11通过模块化改进与训练策略优化，显著提升了遥感船舰小目标检测的精度与鲁棒性。未来可进一步探索跨模态融合（如红外与可见光图像联合训练）与自监督预训练技术，以应对更复杂的遥感场景需求。开发者可通过开源社区（如Ultralytics和Roboflow）获取完整代码与数据集，快速实现模型迭代。
