简介：面向目标检测与水下视觉方向的开发者，这份海底鱼类检测数据集可有效支撑水下机器人、海洋牧场等场景的鱼类识别与监测项目。数据涵盖浅海珊瑚礁、深海沉船周边、沙底海草区等多样环境，并特意加入遮挡与严重遮挡样本，统一标注为“Fish”单类别，且提供VOC、COCO、YOLO三种标准格式标签，无需再做格式转换即可用于YOLO等主流模型训练。资源包共1个PDF文件，约3.81MB，内含数据集基本情况介绍、缩略图与labelimg标注截图，同时附YOLO11一键训练脚本说明，覆盖GPU、CPU及Mac（M芯片）多平台执行方式，并给出博主训练结果日志，方便对比精度与损失变化。PDF中还清晰说明了百度网盘获取方式，读者可据此快速拿到完整图片与标签数据。对刚接触目标检测的初学者，可借助这些材料理解数据组织方式与训练流程；对有项目需求者，也可快速评估该数据集对海底监测场景的适配性。目前已有89人学习，适合作为算法入门和项目验证的实用参考资料。 做水下视觉方向的人应该都有个共同的痛点：跑通一个目标检测模型不难，难的是手里的数据根本撑不起你的想法。陆地场景的数据集随手就是几万张，车辆行人猫猫狗狗随便下，可一旦把场景换到海底，公开资源立刻变得稀薄。这次搭的这套“海底鱼类检测数据集 + VOC/COCO/YOLO三种标签格式 + YOLO11一键训练脚本”方案，就是冲着这个痛点去的。1000张水下图片，配好三种主流标签，再加一个改改路径就能跑的训练脚本——不管你是刚入门目标检测的学生，还是准备做水下渔业监测、海洋生态调查的工程开发者，这套东西都能帮你省掉两周以上的数据准备时间，直接进入模型训练和效果验证阶段。
1. 项目整体设计与思路拆解
1.1 项目的核心价值在哪里
先说说我为什么要按这个结构来设计。目标检测项目的完整链路包括：数据采集、数据清洗、标注、格式转换、模型训练、评估、部署。真正让人头疼的往往不是模型，而是前面那一大堆数据工程。尤其在水下场景，数据获取成本本来就高——要下潜、要布设设备、要在复杂光照里拍到清晰可用的鱼，一不小心拍回来一堆模糊重影，还得重新来。
所以这套方案的核心价值，就是把“从零准备训练数据”这个最劝退的环节直接压缩到零。数据集里每一张图片都清洗过、标注过、转换过，你拿到的不是一堆散装素材，而是一套开箱即用的训练资源。从工程角度看，这相当于把目标检测项目里最容易出错、最耗时、最难量化进展的部分，提前帮你做完了。
1.2 1000张图的规模到底够不够用
很多人看到1000张图，第一反应是“这么少，能训出个啥？”我的判断是：作为基线验证和第一版业务测试，这个规模非常合理。
海底鱼类检测和通用物体检测不太一样。如果类别结构控制得当，比如10类以下的常见鱼种，1000张图配合预训练权重做迁移学习，每类大约能分到80到150个目标实例，足以让模型学会基本的颜色、纹理、轮廓特征。YOLO11自带了在COCO上预训练好的权重，模型不是从零开始学，它已经知道“什么是边缘、什么是纹理、什么是物体”，你只需要让它学会“鱼长什么样”。这个场景下，几百张图的增量学习就够看到明显效果了。
另外要算一笔账：一张1920x1080的水下图像，如果鱼群密集，人工标注要花3到5分钟；配合质量校验，1000张图大概要三到五天完整工时。如果还要做三种格式的转换和抽检，又是一到两天。1000张的规模，恰好控制在一个人一周内能完成数据准备工作的范围内，不劝退、不烂尾，训练迭代一次也就几十分钟到几小时，非常适合快速验证想法。
1.3 为什么要同时给VOC、COCO、YOLO三种格式
这三个格式不是凑数，它们各自代表了一个主流工具生态。VOC格式是XML文件，一张图对应一个标注文件，结构里带object节点和bndbox像素坐标，数据标注工具（比如LabelImg、Roboflow导出）和传统检测框架对它的兼容性最好，用来做人工检查和可视化最直观。COCO格式是把所有标注汇总成一个JSON文件，用images、annotations、categories三个数组组织，mmdetection、Detectron2这类框架原生支持，而且COCO的annotation里可以带segmentation字段，以后想从检测升级到实例分割，标签还能复用。YOLO格式则是一个txt文件一行一个目标，格式是“类别ID 中心点x 中心点y 宽度w 高度h”，全部归一化到0到1，YOLO系列训练时零转换直接读。
做过训练的人都知道，格式转换是重灾区。坐标系的换算、类别ID的对齐、归一化是否做对，任何一个环节出错，轻则标签白做，重则模型训完mAP惨不忍睹还找不到原因。我见过太多人不是死在模型上，而是死在“VOC转YOLO之后标签全偏了”这种问题上。所以这次把三种格式一次性给齐，本质上是用一份标注成本覆盖三种使用路径，无论你习惯哪个生态，拿过来就能用。
1.4 为什么默认选YOLO11而不是YOLOv8
YOLO11是Ultralytics在2024年推出的版本，相比YOLOv8，它在网络结构上调整了C3K2模块、改进了SPPF结构，并且引入了C2PSA注意力机制。实测下来，在同等算力下YOLO11的精度和推理速度都有小幅提升，尤其对小目标的召回率改善比较明显。这个特性对海底鱼类检测非常关键——水下图片里很多鱼在画面中占比很小，经常躲在水草、珊瑚后面，目标只有几十个像素大小。小目标检测能力不行的模型，在这种场景下基本等于瞎猜。
还有一个很现实的原因：生态成熟度。Ultralytics已经把数据加载、增强、训练、验证、导出的流程全部封装好了，一个yaml配置文件加一行训练命令就能跑，对新手极其友好。同时它又没有锁死扩展空间，改Backbone、加检测头、换损失函数都还方便。所以选YOLO11是“低门槛 + 高天花板”的折中，既照顾了刚入门的同学，也留足了老手做改进的空间。
2. 数据集的核心细节与预处理实操
2.1 水下场景的数据特点
这套数据集围绕海底自然环境构建，图片来源覆盖不同光照条件和不同水体能见度。水下目标检测的典型难点，在数据集里都有体现。
第一个难点是色彩偏移。海水会吸收红光和黄光，水下图像普遍偏蓝偏绿，鱼体真实颜色被严重改变。模型如果在偏色严重的图上训练，学到的颜色特征可能是“被水染过之后的颜色”，而不是鱼本身的颜色。第二个难点是对比度差。水中的悬浮颗粒会造成散射，图像像蒙了一层雾，鱼和背景的边界模糊。第三个难点是密集遮挡。鱼群聚集时，大量目标互相遮挡，边界框重叠严重，这对模型的NMS后处理和小目标检测能力都是考验。
有意思的是，这些问题既是“麻烦”，也是“价值”。用一套包含这些困难场景的数据训练出来的模型，放到真实水下环境中反而不容易崩。如果数据本身太干净，训练时看着指标很好，一到实际部署就露馅。
2.2 三种标签格式的组织与目录结构
拿到手的数据集，目录结构是按照YOLO训练习惯排好的，大概长这样：
fish_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── annotations/ │ ├── voc_xmls/ │ ├── coco_train.json │ ├── coco_val.json │ └── coco_test.json └── fish.yamlYOLO格式对应的就是images和labels两个目录，图片和txt标签一一对应；VOC格式的XML统一放在annotations/voc_xmls下；COCO格式的JSON也放在annotations里。这样设计的好处是，不管你要用哪种格式，都不用再重新组织目录，直接指向对应路径就能训练。
关于标签内容，YOLO格式的txt每行五个数，第二个和第三个是归一化后的中心点坐标，第四第五个是归一化后的宽高。这里要特别提醒一下：YOLO坐标的数值范围是0到1，而且是相对于整张图片的宽高，不是相对于目标所在裁剪区域。举个例子，一张1920宽、1080高的图，某个目标的中心点x坐标是960，那归一化后的值就是0.5。这个细节如果搞错，训练出来的模型预测框会全部偏到画面边缘。
2.3 水下图像预处理该做哪些事
拿到数据别急着直接丢给模型，先花半天时间做基础预处理，效果会差很多。
第一步是色彩校正。最简单的做法是灰度世界算法：计算全图RGB三个通道的平均值，然后调整增益让三个通道的平均值趋于一致，这样能把海水造成的蓝色偏色拉回来一些。也可以用更专业的白平衡工具，但这些工具得注意不要过度饱和。第二步是增强对比度，推荐CLAHE（对比度受限自适应直方图均衡化），它能把局部细节的对比度拉起来，同时不会像全局直方图均衡化那样把噪声也一起放大。
但这里有一个原则性问题：预处理是辅助，不是主角。训练时要使用和部署环境一致的数据分布，如果部署时你不可能在每帧画面上做复杂增强，那么训练时也别做得太狠。我的习惯是，训练前只做轻度的色彩校正和CLAHE，把决定“能不能检测到”这件事交给模型自己去学，而不是靠预处理硬撑。
3. YOLO11环境配置与一键训练脚本实操
3.1 环境准备与依赖安装
YOLO11基于PyTorch，环境配置的几大件是Python、CUDA、PyTorch和Ultralytics包。安装命令非常简单：
pip install ultralytics装完之后可以用一行命令验证：
python -c "from ultralytics import YOLO; print(YOLO.__version__)"如果机器上有NVIDIA显卡，一定要确认PyTorch装的是CUDA版本。判断方法很简单，跑下面这行：
import torch print(torch.cuda.is_available())如果输出False，大概率是装了CPU版PyTorch，训练会慢到怀疑人生。新手最常犯的错就是这一步没检查，跑了十几个小时后才发现一直在用CPU。
建议装完环境后先跑一个官方预训练模型的推理测试，随便拿数据集的某张图：
from ultralytics import YOLO # 用n版本，最轻量 model = YOLO("yolo11n.pt") results = model.predict("fish_dataset/images/val/0001.jpg", save=True)能正常出检测结果，说明整个依赖链是通的，再往后走训练流程就顺畅很多。
3.2 数据集yaml配置文件怎么写
YOLO训练必须要有一个yaml文件来描述数据集信息。这份数据集的yaml内容大致是：
path: fish_dataset train: images/train val: images/val nc: 5 names: 0: clownfish 1: butterflyfish 2: angelfish 3: grouper 4: snapper几个关键点要留意。path字段指向数据集根目录，train和val是相对于path的路径，YOLO会自动去path/train找图片、去path/labels/train找对应标签。nc是类别总数，names是类别名列表，顺序必须和标签txt里的类别ID严格对应。如果你只改了nc没改names，或者names顺序和标注时的顺序不一致，训练过程不会报错，但最终模型的预测输出类别会全部错位，这是个非常隐蔽的坑。
还有一种常见错误是图片路径和标签路径不匹配。YOLO默认把images目录下的图片对应到labels目录下同名txt，比如images/train/0001.jpg对应labels/train/0001.txt。如果目录结构不符合这个约定，训练时会疯狂警告“label not found”，一张图都喂不进去，最后精度直接为0。所以在自定义数据时，目录结构一定不要随意改。
3.3 一键训练脚本的核心逻辑
这份方案里的“一键训练脚本”本质上是一个把训练参数集中管理的Python脚本，核心逻辑是读取yaml配置、实例化模型、启动训练。简化后的骨架大致长这样：
from ultralytics import YOLO def main(): data_yaml = "fish_dataset/fish.yaml" model = YOLO("yolo11n.pt") # 加载预训练权重 model.train( data=data_yaml, epochs=100, imgsz=640, batch=16, device=0, # 指定GPU，CPU则写device="cpu" workers=4, project="runs/train", name="fish_yolo11n", patience=20, # 早停，验证集指标20轮不提升就停 save_period=10, # 每10轮存一次权重 ) if __name__ == "__main__": main()train方法里这些参数，绝大多数保持默认就能跑，但有几个值得根据自己的实际情况调整。imgsz推荐先用640跑通流程，如果发现小目标检测效果不好，再升到1280。batch优先用显卡能承受的最大值，8G显存跑yolo11n的话batch=16一般没问题，显存不够就往下减，或者开启梯度累积。epochs先给100，配合patience早停机制，模型在验证集上长时间不提升就会自动停止，不会白白浪费时间。
3.4 目标检测训练过程中的评价标准
目标检测训练过程中评价标准是最容易让人困惑的部分，这里必须讲透。YOLO训练结束后会输出一组指标：P（Precision，查准率）、R（Recall，召回率）、mAP50、mAP50-95。逐一说清楚。
Precision衡量的是“模型检测出的所有框中，有多少是真正正确的”，也就是FP（误检）越少，Precision越高。Recall衡量的是“所有真实目标中，有多少被成功检测出来”，FN（漏检）越少，Recall越高。二者是此消彼长的关系：阈值调高，模型只输出高置信度的框，Precision高但Recall低；阈值调低，框出更多目标，Recall高但误检也变多。所以单独看P或R都没有意义，要看它们的综合表现。
mAP是核心中的核心。对每个类别，在不同置信度阈值下画出以Recall为横轴、Precision为纵轴的PR曲线，曲线下的面积就是AP。mAP是所有类别AP的平均值。mAP50表示IoU阈值为0.5时的mAP，mAP50-95则是IoU从0.5到0.95按0.05步长计算后取平均。后者的要求严苛得多，也更贴近真实场景——在密集鱼群场景里，框稍微偏一点IoU就可能跌破0.75。所以我判断模型好不好，优先看mAP50-95，mAP50高只能说明模型“大概能定位”，mAP50-95高才说明框得准。
4. 常见问题与排查技巧实录
4.1 标签格式转换的经典错误
虽然这次直接给了三种格式，但你以后扩数据时一定会遇到格式转换问题，提前把这些坑讲清楚。
第一个坑是坐标系搞混。VOC的坐标是左上角和右下角的像素坐标（xmin, ymin, xmax, ymax），COCO是左上角加宽度高度（x, y, w, h），YOLO是归一化的中心点加宽高（cx, cy, w, h）。VOC转YOLO的公式是：
YOLO_x_center = (xmin + xmax) / 2 / img_width YOLO_y_center = (ymin + ymax) / 2 / img_height YOLO_width = (xmax - xmin) / img_width YOLO_height = (ymax - ymin) / img_height注意img_width和img_height必须是原图尺寸，很多转换脚本出错，就是因为读取的是缩放后的尺寸，而不是原始尺寸。
第二个坑是类别ID对齐。VOC和COCO用类别名或全局ID来标识目标类别，YOLO则用从0开始的整数索引。同一个类别在不同格式之间转换时，如果类别列表顺序定义不一致，所有框的类别就会集体错位。比如VOC里“clownfish”是第3类，转到YOLO时如果names列表里第0个是“grouper”，那所有clownfish的框都会被标成grouper。建议转换前把类别列表固定下来，每次转换后随机抽几张图可视化验证一下。
第三个坑是难例样本被丢弃。VOC的XML里如果有truncated（目标被截断）或difficult（目标难以辨认）字段，部分转换脚本会直接把这类目标删掉。删掉之后训练样本变少，而且被删的往往是困难样本，模型学不到对抗遮挡和截断的能力。转换时一定要检查脚本对这些字段的处理策略，最好是保留而不是删除。
4.2 训练不收敛或loss曲线异常
我自己的经验是，训练过程中如果loss一直不降，先别急着调参，优先怀疑标签有问题。用Ultralytics提供的可视化工具把图片和标注框画出来，如果框的位置明显偏离目标、大小异常、或者类别名对不上，先修复标签再重新训练，不然调参调半天也是瞎忙。
还有一种常见情况是类别严重不平衡。比如数据集中某种鱼占了百分之七十以上的样本，另一种鱼只有几十张，模型会倾向于把所有预测都推向多数类。解决办法可以从三个方向入手：一是给少数类类别在loss计算中增加权重；二是对少数类样本做额外的数据增强，比如随机裁剪、旋转、色彩抖动，让它的有效样本量变大；三是从数据源头补充样本。海底鱼类的场景里，类别不均衡几乎必然存在，所以训练完一定要按类别分别查看AP，不要只看整体mAP。
还有一点容易被忽略：learning rate。YOLO11默认会自动设置学习率，一般不用改，但如果你用了自定义的数据集且标签噪声大，可以尝试把初始学习率调低一点，比如从0.01降到0.001，防止模型在噪声标签上快速过拟合。调完之后观察前20轮的loss下降趋势，如果loss震荡剧烈，通常就是学习率偏高了。
4.3 显存不足与训练速度优化
如果你用的是8G显存的显卡，跑yolo11s或yolo11m时大概率会遇到CUDA out of memory。优先降低batch，其次是降低imgsz，还可以开启梯度累积模拟更大的batch。Ultralytics里直接设置batch参数不方便做梯度累积时，就手动把batch调小到不爆显存为止，配合patience早停，效果通常可以接受。显存够但训练太慢时，优先把workers调高，让数据加载不再卡在CPU上，其次确认训练过程中GPU利用率是否跑满了，用nvidia-smi观察利用率如果长期低于50%，瓶颈大概率在数据读取，而不是模型计算。
水下小目标比较多的话，我建议有条件就上1280分辨率训练。实测下来，从640提到1280，mAP50-95通常能提升三到五个点，代价是显存和时间翻倍。如果显存不够，可以把原图裁剪成带重叠的小图训练，推理时再做拼贴，这也是KITTI、DOTA这类数据集常用的训练方式。
4.4 快速上手的一些建议
如果你第一次用这套方案，我的建议是先完整跑通一遍，再考虑优化。第一次训练就用默认参数，epochs给100，权重文件用yolo11n.pt，先看整体的P、R、mAP三个指标，并保存检测结果图检查预测框的分布。只有在“检测框位置基本正确、但边界不够紧”的情况下，才值得去改输入分辨率、调数据增强、换更大的模型。如果跑了50轮mAP还低于0.1，大概率不是参数问题，而是数据路径或标签没配对。
另外，YOLO11训练过程中会生成runs/train目录，里面有每次epoch的loss曲线和验证集指标图，一定要养成看这些曲线的习惯。loss下降但mAP不动，说明模型在拟合训练集但泛化不够，这时候优先考虑数据增强；loss没下降但mAP却在缓慢上升，也不用慌，有时候模型置信度校准和检测框精度的提升并不会直观反映在loss曲线上。以mAP为准，loss只作为参考。
最后再分享一个小技巧：训练完成后，别急着部署，先用测试集单张图片跑一遍推理，保存预测结果图，人工检查每个类别的预测效果。水下场景的类别形态很相似，比如两条花纹接近的鱼，人工都可能分不清，模型更可能把类别搞混。遇到这种情况，不要盲目加大模型容量，先看看是不是标注本身有歧义，把易混淆类别的标注样本重新核对一遍，往往比换更大模型更有效。
本文还有配套的精品资源，点击获取
