基于改進YOLOv8的水下目標(biāo)檢測算法

基于改進YOLOv8的水下目標(biāo)檢測算法目錄1.內(nèi)容概覽...............................................2

1.1背景介紹............................................2

1.2問題陳述............................................3

1.3本文貢獻............................................4

1.4論文結(jié)構(gòu)............................................5

2.相關(guān)文獻綜述...........................................6

2.1目標(biāo)檢測算法介紹....................................7

2.2YOLO家族算法研究....................................9

2.3水下目標(biāo)檢測算法研究...............................10

2.4本文方法創(chuàng)新點.....................................12

3.改進YOLOv8算法方案....................................13

3.1網(wǎng)絡(luò)架構(gòu)改進.......................................15

3.1.1CSPDarknet骨干網(wǎng)改進...........................16

3.1.2PANet路徑信息融合改進..........................18

3.1.3預(yù)測頭結(jié)構(gòu)優(yōu)化.................................19

3.2數(shù)據(jù)增強策略.......................................20

3.2.1圖像幾何變換增強...............................21

3.2.2顏色空間增強...................................22

3.2.3光照條件增強...................................23

3.3訓(xùn)練策略...........................................24

3.3.1損失函數(shù)設(shè)計...................................25

3.3.2學(xué)習(xí)率調(diào)度策略.................................26

3.3.3訓(xùn)練過程優(yōu)化...................................27

4.實驗結(jié)果及分析........................................29

4.1數(shù)據(jù)集介紹.........................................30

4.2評估指標(biāo)...........................................31

4.3性能對比分析.......................................32

4.4消融實驗分析.......................................33

5.結(jié)論與展望............................................341.內(nèi)容概覽在本研究中，使其能夠有效地在水下環(huán)境中進行目標(biāo)檢測。隨著智能水下機器人和無人潛水艇的需求增長，對水下目標(biāo)檢測技術(shù)的需求也隨之增加。水下環(huán)境相對復(fù)雜，包含強烈的折射、反射以及較小和分散的目標(biāo)，這給現(xiàn)有的目標(biāo)檢測模型帶來了挑戰(zhàn)。本研究將提出一系列專門針對水下環(huán)境優(yōu)化的改進措施，旨在增強YOLOv8在水下目標(biāo)檢測任務(wù)中的準(zhǔn)確性和魯棒性，同時也為后續(xù)的研究人員提供參考。1.1背景介紹水下目標(biāo)檢測技術(shù)在海洋科學(xué)研究、海洋資源調(diào)查、水下安全監(jiān)測等領(lǐng)域具有重要應(yīng)用價值。深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域的快速發(fā)展，特別是YOLO系列算法的提出，為水下目標(biāo)檢測提供了高效的解決方案。相比于傳統(tǒng)的基于特征描述子方法，YOLOv8以其速度快、精度高、易于部署的特點，成為目前最流行的水下目標(biāo)檢測算法之一。水下環(huán)境獨特的特性，如視域受限、光線衰減、水流擾動等，對目標(biāo)檢測算法提出了更高的挑戰(zhàn)?，F(xiàn)有的YOLOv8算法在處理水下圖像數(shù)據(jù)時仍存在一些局限性，例如對復(fù)雜背景的魯棒性弱、目標(biāo)尺度變化不明顯等。為了更好地應(yīng)對水下目標(biāo)檢測的挑戰(zhàn)，本文將基于改進的YOLOv8算法，針對水下圖像的特殊特點進行改進，旨在提高算法的檢測精度、魯棒性和泛化能力。1.2問題陳述水下環(huán)境因其復(fù)雜多變和能見度受限的特性，給目標(biāo)檢測帶來了重重挑戰(zhàn)?，F(xiàn)有的水下目標(biāo)檢測算法，包括基于傳統(tǒng)計算機視覺技術(shù)的算法和少量的基于深度學(xué)習(xí)的改進方案，都不能在不損失顯著性能的前提下實時處理這一領(lǐng)域的需求。水下的光照條件通常較暗,加上海水的散射和色度差異,目標(biāo)物體往往難以被標(biāo)準(zhǔn)攝像頭清晰識別。目標(biāo)物體在水下通常具有不規(guī)則的形狀、高度的可變性和運動的模糊性，這進一步增加了檢測的難度。傳統(tǒng)深度學(xué)習(xí)模型在面臨光線變化和透明度影響時，經(jīng)常需要擴展新的訓(xùn)練數(shù)據(jù)集，這不僅增加了數(shù)據(jù)標(biāo)注的工作量，而且當(dāng)缺乏足夠的標(biāo)注數(shù)據(jù)時，模型的通用性和魯棒性都會受到影響。現(xiàn)有的算法普遍在水下圖像處理方面缺乏深度優(yōu)化的設(shè)計，比如背景分割技術(shù)的應(yīng)用，無法有效濾除光照不均勻和噪聲等干擾因素，評價指標(biāo)上亦未能充分反映在水下特定環(huán)境下的準(zhǔn)確性和實時性。迫切需要開發(fā)一種基于優(yōu)化深度學(xué)習(xí)模型的新型水下目標(biāo)檢測算法，該算法應(yīng)該能有效提升在低光照和復(fù)雜營養(yǎng)物質(zhì)影響下的目標(biāo)檢測準(zhǔn)確度，同時保證在實際應(yīng)用中的實時處理能力，并且可適用于多種水下場景的通用模型。1.3本文貢獻本文在現(xiàn)有的YOLOv8算法基礎(chǔ)上提出了若干改進，旨在提升水下目標(biāo)檢測的準(zhǔn)確性、穩(wěn)定性和魯棒性。我們針對水下環(huán)境的特點，對YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)進行了定制化調(diào)整，以適應(yīng)更復(fù)雜的背景和不同的光照條件。為了解決水下圖像存在的銳度下降和顏色飽和度變化的問題，我們引入了一種新的特征增強模塊，該模塊能在不影響計算效率的同時，顯著提升目標(biāo)的檢測精度。我們還探討了數(shù)據(jù)增強方法在水下目標(biāo)檢測中的應(yīng)用，并設(shè)計了一套專門的數(shù)據(jù)增強策略，以減少對人工標(biāo)注資源的依賴，并提高模型對各種水下環(huán)境下目標(biāo)的適應(yīng)能力。為了驗證所提出算法的有效性，我們在多個公開的水下圖像數(shù)據(jù)集上進行了廣泛的實驗評估。我們的方法在大多數(shù)測試指標(biāo)上均優(yōu)于現(xiàn)有的相關(guān)技術(shù)，包括IoU、mAP和模型輕量化能力等。本文還提供了對改進后的YOLOv8在水下檢測任務(wù)中的應(yīng)用示例，并討論了在實際應(yīng)用中的潛在優(yōu)勢和挑戰(zhàn)。本文提出的改進算法可以成為水下機器人、無人潛水器和其他水下設(shè)備有效跟蹤和識別目標(biāo)的強有力工具。1.4論文結(jié)構(gòu)第2章概述了現(xiàn)有水下目標(biāo)檢測算法的技術(shù)現(xiàn)狀和研究挑戰(zhàn)。主要介紹了不同目標(biāo)檢測方法的優(yōu)缺點，分析了水下環(huán)境對目標(biāo)檢測的影響，并探討了現(xiàn)有算法在水下目標(biāo)檢測中的局限性。第3章詳細介紹了本文提出的基于改進YOLOv8的水下目標(biāo)檢測算法。包括對YOLOv8的原理和架構(gòu)的概述，以及對算法在以下方面的改進：特征提取部分：將針對水下場景優(yōu)化的卷積網(wǎng)絡(luò)結(jié)構(gòu)引入，提升對水下目標(biāo)的特征提取能力。目標(biāo)框預(yù)測部分：提出了新的目標(biāo)框回歸分支，更加準(zhǔn)確地預(yù)測水下目標(biāo)的尺寸和位置。損失函數(shù)設(shè)計：設(shè)計了針對水下場景的損失函數(shù)，優(yōu)化目標(biāo)檢測的精度和魯棒性。第4章詳細闡述了算法的訓(xùn)練方法和實驗設(shè)計。包括數(shù)據(jù)集的說明、訓(xùn)練策略、評估指標(biāo)的選取等。第5章對實驗結(jié)果進行了分析和討論。通過與其他算法進行對比，驗證本文算法在水下目標(biāo)檢測中的優(yōu)越性。2.相關(guān)文獻綜述水下目標(biāo)檢測近年來逐漸受到研究者的重視，深度學(xué)習(xí)作為在視覺領(lǐng)域表現(xiàn)突出的技術(shù)，被認為是在水下目標(biāo)檢測中應(yīng)用的主流方法。特別地，包括目標(biāo)檢測、識別和分割等領(lǐng)域。文獻詳細回顧了YOLO的演變過程，奄述了從YOLOv1到Y(jié)OLOv4的不同版本，討論了其在目標(biāo)檢測任務(wù)中的表現(xiàn)和作為工業(yè)上廣泛使用的目標(biāo)檢測工具的原因。而對于YOLO的最新改進版本YOLOv8，文獻介紹了其超越前代的多項優(yōu)化措施，無論是從架構(gòu)上還是算子性能上均取得了較大的提升，能夠在更復(fù)雜的場景中更加出色地完成目標(biāo)檢測任務(wù)。盡管深度學(xué)習(xí)在數(shù)據(jù)標(biāo)注和大模型訓(xùn)練資源的支持下可以在各種環(huán)境中實現(xiàn)較高的檢測準(zhǔn)確率和實時性，但在水下這個特定應(yīng)用場景中，深度學(xué)習(xí)算法仍面臨顯著挑戰(zhàn)。這些挑戰(zhàn)主要源于水下環(huán)境中常用的攝像頭設(shè)備受限于潭水清晰度、光照條件、光學(xué)傳播的特性以及水中懸浮顆粒物的影響，而造成的表觀視覺特征、物體尺度以及亮度等多方面的變化，進而影響了模型的有效學(xué)習(xí)能力和檢測范圍。針對這些問題，研究者提出了多種增強方法來改善深度學(xué)習(xí)模型在非理想水域條件下的表現(xiàn)。文獻提出了一種基于視差分析的水下目標(biāo)檢測框架，使用計算機視覺技術(shù)來改善水下圖像的光線傳播條件，提升模型學(xué)習(xí)水下物體的特征的能力。另一篇工作側(cè)重于圖像處理，利用去模糊技術(shù)和補光技術(shù)來增強水下圖像的質(zhì)量，減少水中散射因素對檢測的影響。關(guān)于使用預(yù)訓(xùn)練模型和小規(guī)模標(biāo)注數(shù)據(jù)進行遷移學(xué)習(xí)的策略，文獻和也給出了詳盡的探討和實驗結(jié)果，證明了遷移學(xué)習(xí)在提升模型檢測能力，特別是在數(shù)據(jù)稀缺的水下場景中，有著不可忽視的作用。這些前期工作為YOLOv8在水下目標(biāo)檢測中的應(yīng)用提供了理論基礎(chǔ)和實踐指導(dǎo)。仍需對YOLOv8在水下環(huán)境下的性能進行針對性的優(yōu)化，以及開發(fā)相應(yīng)的數(shù)據(jù)增強和圖像處理手段來克服光照不足、圖像模糊等影響，以致實現(xiàn)在水下環(huán)境中穩(wěn)定可靠的目標(biāo)檢測。2.1目標(biāo)檢測算法介紹目標(biāo)檢測算法是計算機視覺領(lǐng)域中的關(guān)鍵技術(shù)之一，它是一種能夠自動識別圖像中對象位置和類別的計算機程序，并通常通過繪制邊界框來表示檢測的對象。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，目標(biāo)檢測算法廣泛應(yīng)用于機器人視覺、自動駕駛、無人機監(jiān)控等多個領(lǐng)域。主流的目標(biāo)檢測算法主要包括基于區(qū)域的算法（如RCNN）、基于滑動窗口的算法和基于錨點（anchorbased）的方法。RCNN系列算法首先利用SelectiveSearch算法進行候選區(qū)域的選擇，然后通過深度神經(jīng)網(wǎng)絡(luò)對候選區(qū)域進行分類和回歸，最后通過投票機制來確定最終結(jié)果。該算法在目標(biāo)檢測的準(zhǔn)確性和特征表達能力上都有較高的表現(xiàn)，但同時也存在計算量大的問題。YOLO（YouOnlyLookOnce）是一種非常流行的實時目標(biāo)檢測算法，它采用了一種完全不同的方法，即將目標(biāo)檢測視為一個回歸問題。在YOLOv8版本中，算法采用了一種名為“FocalLoss”的損失函數(shù)，該函數(shù)有助于提高在類別不平衡情況下的魯棒性，并減少了過度擬合的風(fēng)險。YOLOv8還引入了更具魯棒的錨點策略和更深的網(wǎng)絡(luò)結(jié)構(gòu)，以提升檢測精度。相對于YOLOv7和之前版本，YOLOv8在檢測速度和準(zhǔn)確性方面取得顯著提升。YOLOv8算法消除了訓(xùn)練過程中的多重圖表和復(fù)雜的預(yù)測步驟，簡化了整個網(wǎng)絡(luò)結(jié)構(gòu)，這不僅加快了訓(xùn)練速度，還提高了模型在移動設(shè)備上的部署效率。這些改進使得YOLOv8成為實時目標(biāo)檢測領(lǐng)域的一個重要里程碑。這些傳統(tǒng)目標(biāo)檢測算法通常在水下環(huán)境中表現(xiàn)不佳，因為水下圖像數(shù)據(jù)與地面圖像存在顯著差異，例如受到光線散射和水下噪聲的影響。本研究旨在對YOLOv8算法進行改進，使其能夠適應(yīng)水下目標(biāo)檢測的新挑戰(zhàn)。這部分改進涉及到特征提取、邊界框預(yù)測和損失函數(shù)的重新設(shè)計，以提升算法在水下圖像上的檢測性能。這個段落為讀者提供了一個關(guān)于目標(biāo)檢測算法的概述，特別是在提及YOLOv8時，解釋了其關(guān)鍵改進點和優(yōu)勢。在針對水下目標(biāo)檢測的改進部分，強調(diào)了傳統(tǒng)方法在水下環(huán)境中的局限性，并指出了研究的目標(biāo)和改進的方向。2.2YOLO家族算法研究YOLO（YouOnlyLookOnce）自提出以來，憑借其高速度、單次預(yù)測和在線目標(biāo)檢測能力，迅速成為目標(biāo)檢測領(lǐng)域的活躍研究方向。YOLO家族算法在目標(biāo)檢測算法的快速發(fā)展中扮演了重要角色，不斷迭代升級。YOLOv1在現(xiàn)實世界中進行了首個端到端目標(biāo)檢測的嘗試，但存在目標(biāo)檢測精度較低的問題。后續(xù)YOLOv2,YOLOv3,YOLOv4等版本通過改進網(wǎng)絡(luò)架構(gòu)、引入注意力機制和數(shù)據(jù)增強等技術(shù)手段，顯著提高了目標(biāo)檢測的精度和效率。YOLOv5將其性能提升至新的高度，提出了一種新的訓(xùn)練策略和更簡化的網(wǎng)絡(luò)架構(gòu)，并在速度和精度之間取得了更好的平衡。而YOLOv7和YOLOv8則進一步輕量化網(wǎng)絡(luò)結(jié)構(gòu)，并關(guān)注訓(xùn)練過程的效率，使得其在移動設(shè)備和平板電腦等邊緣設(shè)備上也能實現(xiàn)高效的目標(biāo)檢測。這些前沿的YOLO家族算法為我們提供了寶貴的經(jīng)驗和技術(shù)基礎(chǔ)，也激發(fā)了我們研究更先進、更高效的水下目標(biāo)檢測算法的熱情。2.3水下目標(biāo)檢測算法研究隨著水下機器人與船舶自動化技術(shù)的發(fā)展，水下目標(biāo)檢測技術(shù)在海洋探測、海底資源調(diào)查和環(huán)境監(jiān)測等領(lǐng)域逐步得到重視。開發(fā)高效且魯棒的水下目標(biāo)檢測算法已成為在該領(lǐng)域的關(guān)鍵研究課題。YOLO系列算法：YOLO系列為目標(biāo)檢測領(lǐng)域中較為成熟的算法之一。YOLOv8作為其最新版本，通過引入多尺度特征融合、改進的巨量網(wǎng)絡(luò)設(shè)計等技術(shù)，提高了檢測速度和準(zhǔn)確性。FasterRCNN：雖為通用目標(biāo)檢測算法，通過針對水下環(huán)境的特點進行適當(dāng)?shù)母倪M，也可以應(yīng)用于水下圖像的目標(biāo)檢測。UNet：主要用于圖像分割，通過加入特定層次的特征融合機制，可以實現(xiàn)對水下物體的細致分辨。SSD系列算法：適應(yīng)于多尺度目標(biāo)檢測的框架。通過增加特征層和檢測尺度，提升水下物體的識別能力和魯棒性。運用領(lǐng)域適應(yīng)性機制和半監(jiān)督學(xué)習(xí)，可以利用大量非標(biāo)記數(shù)據(jù)提高檢測效率和精度。例如利用CRF機制來細分檢測結(jié)果，以修正檢測邊界錯誤。算法框架設(shè)計：借鑒YOLOv8的成功經(jīng)驗，設(shè)計一種適用于水下場景的檢測框架。通過增加多尺度特征融合機制，以捕捉不同尺度的水下目標(biāo)。模型優(yōu)化策略：優(yōu)化YOLOv8的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，針對水下環(huán)境特有的光照和噪聲條件進行適應(yīng)性改進，例如增加了出水層以增強網(wǎng)絡(luò)對光照變化敏感度的魯棒性，并采用輕量化策略以加快模型推理速度。數(shù)據(jù)增強方法：標(biāo)注大量帶有不同陰影、復(fù)雜背景、尺度變化等多樣性因素的水下圖像，例如利用旋轉(zhuǎn)、翻轉(zhuǎn)等簡單手段增強數(shù)據(jù)多樣性，并且通過技術(shù)手段如合成訓(xùn)練樣本和合成標(biāo)簽，提高檢測算法的泛化能力。損失函數(shù)設(shè)計：針對水下目標(biāo)檢測特點，設(shè)計結(jié)合多尺度深度損失(mscombinedloss)和目標(biāo)置信度損失的混合損失函數(shù)，以優(yōu)化模型在多膨脹水下場景下的檢測性能。水下環(huán)境特性：光照條件不穩(wěn)定、水下物體的尺度可達性各異，可能導(dǎo)致檢測算法產(chǎn)生錯誤的檢測位置與置信度預(yù)測。算法速度與效率優(yōu)化：水下檢測兩大關(guān)鍵需求檢測準(zhǔn)確性和速度。如何提高算法在精確性的同時，保持較優(yōu)的訓(xùn)練和推理速度，是一大挑戰(zhàn)。模型在實際應(yīng)用中的泛化能力：由于水下環(huán)境的多樣性，如何保證模型不僅能在標(biāo)準(zhǔn)的水下測試圖像中表現(xiàn)優(yōu)秀，還能在未經(jīng)或多經(jīng)處理的實際圖像場景中保持穩(wěn)定的檢測性能。2.4本文方法創(chuàng)新點本文在現(xiàn)有的YOLOv8算法基礎(chǔ)上提出了多項改進，旨在增強水下目標(biāo)檢測的準(zhǔn)確性和魯棒性。創(chuàng)新點主要包括：水下特征提取模塊優(yōu)化：為了更好地適應(yīng)水下場景中的圖像特征，我們引入了一種新的卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)，該結(jié)構(gòu)通過設(shè)計專門的濾波器增強了背景抑制能力，有效降低了水下環(huán)境中常見的光暈和陰影噪聲對檢測的影響。動態(tài)尺度錨點策略：我們提出了一種動態(tài)尺度錨點預(yù)測機制，該機制根據(jù)不同尺度的物體特征動態(tài)調(diào)整錨點的尺寸，從而在保持模型泛化能力的同時，提升對小物體和大物體的檢測精度。深度殘差融合模塊：為了利用多尺度特征信息，我們提出了深度殘差融合模塊，該模塊能夠有效整合從不同層提取的特征，提高了網(wǎng)絡(luò)對物體邊緣和細節(jié)的識別能力。自適應(yīng)前景激活網(wǎng)絡(luò)：針對水下目標(biāo)檢測中的背景干擾問題，我們設(shè)計了一種自適應(yīng)前景激活網(wǎng)絡(luò)（APANet），該網(wǎng)絡(luò)能夠在訓(xùn)練過程中自動學(xué)習(xí)前景物體的激活模式，顯著提高了模型對目標(biāo)的有效區(qū)分。水下轉(zhuǎn)移學(xué)習(xí)方法：考慮到水下數(shù)據(jù)的稀缺性，我們探索了一種專門針對水下場景的遷移學(xué)習(xí)方法，該方法能夠在通用數(shù)據(jù)集上進行預(yù)訓(xùn)練，然后通過微調(diào)適應(yīng)特定的水下檢測任務(wù)，大幅降低了模型的訓(xùn)練成本和時間。自適應(yīng)損失函數(shù)設(shè)計：為了提高檢測性能，我們設(shè)計了一種自適應(yīng)損失函數(shù)，它能夠在訓(xùn)練過程中動態(tài)調(diào)整不同類別和不同尺度的物體權(quán)重，從而使得網(wǎng)絡(luò)對關(guān)鍵目標(biāo)更敏感，對噪聲和干擾因素的敏感性降低。3.改進YOLOv8算法方案淺層特征融合:在解碼器階段，我們引入了輕量級的注意力機制，將淺層特征（如backbone張量）嵌入到高層特征中，增強模型對目標(biāo)的全局上下文理解能力，特別是在圖像模糊和水流扭曲的情況下。殘差結(jié)構(gòu)優(yōu)化:對YOLOv8的殘差連接結(jié)構(gòu)進行調(diào)整，減少計算量，同時保留模型的表達能力。采用深度可分離卷積代替常規(guī)卷積，提升模型的效率和精度。仿射變換:針對水下圖像常見的模糊、扭曲和光照變化，采用仿射變換（包括旋轉(zhuǎn)、縮放、平移）對訓(xùn)練數(shù)據(jù)進行增強，提高模型的魯棒性。場景合成:利用合成水下環(huán)境圖像的方法，豐富訓(xùn)練數(shù)據(jù)集，并模擬不同水深、水流和水質(zhì)條件下的場景，提升模型對復(fù)雜水下環(huán)境的適應(yīng)能力。分類損失加權(quán):將分類損失函數(shù)對不同目標(biāo)類別賦予不同的權(quán)重，對目標(biāo)種類較少的類別給予更高的權(quán)重，平衡訓(xùn)練過程中不同類別的訓(xùn)練效果?；貧w損失魯棒化:對回歸損失函數(shù)中的L1范式損失引入指數(shù)懲罰項，對較大位置誤差進行強化懲罰，提升模型的位置預(yù)測精度。采用混合策略的學(xué)習(xí)率衰減方案，在前期階段使用較高的學(xué)習(xí)率進行快速收斂，后期階段逐漸降低學(xué)習(xí)率，進一步提升模型的收斂速度和精度。利用多GPU并行訓(xùn)練的方式，加速訓(xùn)練過程，并采用滑動平均技術(shù)保存模型的最佳狀態(tài)，避免過擬合。3.1網(wǎng)絡(luò)架構(gòu)改進由于水下環(huán)境光照不足，且存在介質(zhì)吸收現(xiàn)象，這導(dǎo)致目標(biāo)物體在圖像中的表現(xiàn)不如陸上場景。我們使用各類歸一化、尺度變換、亮度與對比度調(diào)整等增強技術(shù)來提高數(shù)據(jù)庫中樣本的多樣性。我們構(gòu)造了合成數(shù)據(jù)以補充自然環(huán)境數(shù)據(jù)缺乏的問題，便于模型在弱光、模糊等極端條件下進行訓(xùn)練。3尺度變換：由于在水下拍攝時目標(biāo)物體的尺度不一，我們需要將輸入圖像進行隨機縮放，確保模型能夠適應(yīng)不同尺度大小的目標(biāo)。翻轉(zhuǎn)與角度旋轉(zhuǎn)：通過對輸入圖像進行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)以及不同角度的旋轉(zhuǎn)，可以增強數(shù)據(jù)的多樣性，使模型對目標(biāo)的位置和形態(tài)有更全面的認識。對于YOLOv8中的LeakyReLU激活函數(shù)進行了改進，引入GroupSparse激活函數(shù)來提高適應(yīng)非線性特征的能力，同時減少模型參數(shù)與計算量。GroupSparse：這種激活函數(shù)通過分割輸入數(shù)據(jù)，使其分成若干個小組，每組只保留若干個原始特征，可以有效地減少模型中的冗余信息，優(yōu)化計算復(fù)雜度。我們針對水下傳輸特點，調(diào)整了YOLOv8的原始損失函數(shù)。重點優(yōu)化了交叉熵損失和SmoothL1損失函數(shù)中的權(quán)重配置，以應(yīng)對障礙物在水下陰影和毛玻璃狀介質(zhì)中表現(xiàn)出的復(fù)雜形態(tài)。數(shù)據(jù)篩選機制：增加一個數(shù)據(jù)篩選機制，淘汰包含極端噪聲的樣本，以減少模型學(xué)習(xí)過程中的噪聲干擾。為了更好地捕捉不同層次的特征，我們在YOLOv8的網(wǎng)絡(luò)構(gòu)架中添加了更多的FPN層次，增強了網(wǎng)絡(luò)結(jié)構(gòu)在多尺度目標(biāo)檢測的能力，進一步提高檢測準(zhǔn)確率。3.1.1CSPDarknet骨干網(wǎng)改進我們將詳細介紹我們針對CSPDarknet骨干網(wǎng)絡(luò)所進行的改進。CSPDarknet是一種流行且高效的輕量級骨干網(wǎng)絡(luò)設(shè)計，在我們提出的改進YOLOv8水下目標(biāo)檢測算法中扮演著關(guān)鍵角色。CSPDarknet通過借鑒CSPNet的概念，實現(xiàn)了跨階段部分的特征融合，這種設(shè)計提高了網(wǎng)絡(luò)的穩(wěn)定性和準(zhǔn)確率。在CSPDarknet中，每個卷積層被設(shè)計成可以同時輸出兩種類型的特征圖：標(biāo)準(zhǔn)特征圖和CSP融合的特征圖。通過這種方法，網(wǎng)絡(luò)能夠更好地集成不同層級的特征信息，以增強目標(biāo)檢測性能。為進一步改進骨干網(wǎng)的設(shè)計，我們在CSPDarknet基礎(chǔ)上引入了去過度平滑（Deoversmoothing）機制。這種機制通過在網(wǎng)絡(luò)中引入殘差學(xué)習(xí)，以減少特征圖之間由于在網(wǎng)絡(luò)深層結(jié)構(gòu)中造成的信息丟失和特征退化問題。這種殘差學(xué)習(xí)機制不僅加強了網(wǎng)絡(luò)的表達能力，而且還減少了在訓(xùn)練過程中可能出現(xiàn)的特征平滑現(xiàn)象，提高了網(wǎng)絡(luò)對水下環(huán)境的適應(yīng)能力。針對水下場景的特殊性，我們將CSPDarknet的結(jié)構(gòu)進行了適應(yīng)性調(diào)整。水下環(huán)境中的圖像往往具有較低的對比度和較高的噪聲水平，這要求我們的網(wǎng)絡(luò)能夠更好地適應(yīng)這種光照和噪聲的變化。我們從網(wǎng)絡(luò)層的數(shù)量和參數(shù)等方面進行了優(yōu)化，以適應(yīng)水下目標(biāo)的檢測需求。為了進一步增強網(wǎng)絡(luò)的魯棒性和泛化能力，我們引入了ACTA技術(shù)。ACTA是一種組合自適應(yīng)性和圖像變換增強的方法，它可以顯著提高模型對于不同光照條件和遮擋情況的適應(yīng)性。通過在訓(xùn)練過程中對圖像進行多樣化的變換操作，網(wǎng)絡(luò)能夠更好地學(xué)習(xí)關(guān)鍵的特征表示，從而在各種水下場景中均能保持良好的性能。3.1.2PANet路徑信息融合改進為了更好地提取水下目標(biāo)的多尺度特征，我們對YOLOv8中的特征融合模塊進行改進，借鑒了PANet（PathAggregationNetwork）網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)勢。傳統(tǒng)FPN（FeaturePyramidNetworks）在將高層特征下采樣后，會丟失部分豐富的底層細節(jié)信息。而PANet則通過lateralconnections和topdownpathway，將多尺度的特征信息進行雙向融合，有效保留了底層細節(jié)，并增強了特征的語義表達能力。在改進后的算法中，我們首先通過1x1卷積操作對輸入特征圖進行降維，然后將相鄰層的特征圖在跨越多個層次的情況下進行融合，也就是lateralconnections。接著，通過上采樣操作將融合后的特征圖傳遞給上一層，形成topdownpathway。通過1x1卷積和ReLU激活函數(shù)進一步處理融合特征，輸出更豐富層次的多尺度特征。保留豐富的細節(jié)信息:通過雙向特征融合，盡管高層特征進行了向下采樣，但也保留了低層豐富的細節(jié)信息，有利于對微小目標(biāo)的檢測。增強語義表達能力:將不同層次的特征進行融合，可以學(xué)習(xí)到不同尺度的物體特征，從而提升網(wǎng)絡(luò)的語義表達能力。適應(yīng)復(fù)雜水下環(huán)境:水下目標(biāo)的尺寸、形狀和姿態(tài)較為復(fù)雜，PANet的多尺度特征融合能更好地適應(yīng)這類場景。將PANet路徑信息融合改進應(yīng)用于YOLOv8，可以顯著提高其在水下目標(biāo)檢測任務(wù)上的檢測準(zhǔn)確率和召回率。3.1.3預(yù)測頭結(jié)構(gòu)優(yōu)化在水下環(huán)境中，由于光線散射和水流擾動等因素，目標(biāo)特征的尺度、形狀和紋理可能與標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)中的目標(biāo)存在較大差異。為了提高檢測算法的魯棒性和準(zhǔn)確性，需要對YOLOv8的預(yù)測頭結(jié)構(gòu)進行優(yōu)化。在我們的算法中，我們引入了一種特殊的卷積層結(jié)構(gòu)ViewTransformer（VT），結(jié)合標(biāo)準(zhǔn)YOLOv8的Darknet共享卷積模塊，來構(gòu)建預(yù)測頭。ViewTransformer是一種基于自注意力機制的卷積結(jié)構(gòu)，其設(shè)計思想是將輸入特征映射按照空間維度和通道維度逐步分割，并允許不同維度間的特征交互。我們通過修改YOLOv8中預(yù)測頭的Darknet卷積模塊，使其同時包含了標(biāo)準(zhǔn)Darknet卷積層和ViewTransformer層，從而增加了模型對空間和通道方向上目標(biāo)特征的感知能力。我們引入了一種新的空間注意力機制（SAM），該機制能夠在提取階段和檢測階段分別對不同特征圖進行加權(quán)，增強對水下復(fù)雜環(huán)境的適應(yīng)能力。通過這些結(jié)構(gòu)優(yōu)化和機制引入，我們成功地解決了YOLOv8在水下檢測中面臨的部分挑戰(zhàn)，構(gòu)建了一個更為穩(wěn)健和強大的水下目標(biāo)檢測模型，為后續(xù)更復(fù)雜水下場景的應(yīng)用打下了堅實的基礎(chǔ)。3.2數(shù)據(jù)增強策略數(shù)據(jù)增強是一種有效的正則化技術(shù)，通過對原始訓(xùn)練圖像進行一系列變換以生成新的、不同的訓(xùn)練樣本，從而擴充數(shù)據(jù)集規(guī)模并增強模型的泛化能力。在水下目標(biāo)檢測任務(wù)中，由于水下環(huán)境的特殊性，圖像往往面臨光照不足、對比度低、背景復(fù)雜等問題，因此選擇合適的數(shù)據(jù)增強策略尤為重要。對于基于改進YOLOv8的水下目標(biāo)檢測算法，我們采取了以下數(shù)據(jù)增強策略：幾何變換：包括隨機旋轉(zhuǎn)、縮放、裁剪等，模擬水下圖像因拍攝角度不同而產(chǎn)生的變化。這些變換有助于模型對目標(biāo)的位置和尺寸變化產(chǎn)生魯棒性。光學(xué)變換：考慮到水下光學(xué)特性對圖像的影響，我們通過調(diào)整圖像亮度、對比度、飽和度以及應(yīng)用隨機噪聲等方式進行數(shù)據(jù)增強。這些變換能夠模擬水下光照條件變化對圖像的影響。顏色空間變換：采用HSV（色調(diào)、飽和度、明度）顏色空間變換來模擬水下環(huán)境中的顏色失真現(xiàn)象。改變色調(diào)以模擬不同深度的水體對顏色的影響。水下特有的數(shù)據(jù)增強：針對水下環(huán)境的特點，設(shè)計特定的數(shù)據(jù)增強方法，如模擬氣泡干擾、水流擾動等，這些模擬變換可以更加貼近水下場景的真實變化。多策略組合：結(jié)合多種數(shù)據(jù)增強策略進行圖像預(yù)處理，以提高模型的適應(yīng)性和泛化能力。通過隨機組合不同的增強策略，可以在訓(xùn)練過程中為模型提供更多的變化場景和復(fù)雜環(huán)境。3.2.1圖像幾何變換增強在圖像處理領(lǐng)域，幾何變換增強是一種常用的技術(shù)，用于改善水下目標(biāo)檢測算法的性能和魯棒性。由于水下的環(huán)境復(fù)雜多變，如光照變化、折射、反射等現(xiàn)象，原始圖像可能會受到這些因素的影響，從而降低目標(biāo)檢測的準(zhǔn)確性。通過應(yīng)用圖像幾何變換增強技術(shù)，可以有效地改善這一問題。圖像旋轉(zhuǎn)是一種常見的幾何變換，它可以改變圖像的方向，從而使得目標(biāo)在不同方向上更加明顯。在水下目標(biāo)檢測中，由于光線折射和反射的原因，目標(biāo)可能出現(xiàn)在不同的位置。通過對圖像進行隨機旋轉(zhuǎn)，可以使目標(biāo)更容易被檢測到。圖像縮放是指將圖像按照一定的比例進行放大或縮小，在水下目標(biāo)檢測中，由于水面的波動和目標(biāo)的移動，目標(biāo)可能會出現(xiàn)在不同的尺度上。通過對圖像進行隨機縮放，可以使目標(biāo)更容易被檢測到。圖像平移是指將圖像沿著某個方向移動一定的距離，在水下目標(biāo)檢測中，由于水流和目標(biāo)的移動，目標(biāo)可能會出現(xiàn)在不同的位置。通過對圖像進行隨機平移，可以使目標(biāo)更容易被檢測到。圖像翻轉(zhuǎn)是指將圖像沿著某個軸進行水平或垂直翻轉(zhuǎn)，在水下目標(biāo)檢測中，由于水面的波動和目標(biāo)的移動，目標(biāo)可能會出現(xiàn)在不同的方向上。通過對圖像進行隨機翻轉(zhuǎn)，可以使目標(biāo)更容易被檢測到。圖像裁剪是指將圖像按照某個區(qū)域進行裁剪，在水下目標(biāo)檢測中，由于水面的波動和目標(biāo)的移動，目標(biāo)可能會出現(xiàn)在不同的位置。通過對圖像進行隨機裁剪，可以使目標(biāo)更容易被檢測到。3.2.2顏色空間增強直方圖均衡化：通過調(diào)整圖像中各個像素灰度級別的權(quán)重，使得圖像中的高亮區(qū)域和暗淡區(qū)域的像素值分布更加均勻。這樣可以提高模型對不同亮度環(huán)境下目標(biāo)物體的識別能力。色彩空間轉(zhuǎn)換：將圖像從RGB色彩空間轉(zhuǎn)換為HSV色彩空間，然后對H通道(色相)進行平滑處理。這種方法可以減少圖像中的噪聲，并使得模型更容易區(qū)分目標(biāo)物體的顏色。自適應(yīng)閾值：根據(jù)圖像的局部特性，動態(tài)調(diào)整二值化閾值，以提高模型對不同光照條件下目標(biāo)物體的識別精度。雙邊濾波：對圖像進行雙邊濾波處理，可以有效地消除圖像中的椒鹽噪聲，提高模型對目標(biāo)物體的邊緣信息提取能力。銳化處理：通過對圖像進行銳化操作，可以增強圖像中的邊緣信息，使得模型更容易識別出目標(biāo)物體的輪廓。3.2.3光照條件增強在水下環(huán)境中的光照條件常常受限，這導(dǎo)致圖像中的目標(biāo)和背景之間對比度較低，從而為水下目標(biāo)檢測帶來了挑戰(zhàn)。為了提高檢測算法在多種光照條件下的魯棒性，我們對YOLOv8進行了改進。改進的重點在于模型的光線恢復(fù)和光照不變性。我們引入了一種逆向光照校正(ReverseGammaCorrection)層，該層可以自動調(diào)整輸入圖像的灰度等級，以模擬光照增強環(huán)境中的圖像。這種校正在網(wǎng)絡(luò)的前端進行，使得后續(xù)的卷積層能夠在更加穩(wěn)定的光照條件下對目標(biāo)特征進行提取。我們在幾個關(guān)鍵層引入了照明不變性激活函數(shù)（如Hadamard激活），以減少由于光照變化對神經(jīng)網(wǎng)絡(luò)計算的影響。這種激活函數(shù)的設(shè)計模仿了生物視覺系統(tǒng)對于光照的適應(yīng)機制，在檢測過程中保持了對象特征的空間不變性。我們還采用了數(shù)據(jù)增強技術(shù)，通過在訓(xùn)練過程中引入光照變化的數(shù)據(jù)增強，使模型能夠更好地適應(yīng)不同的光照條件。我們在訓(xùn)練集中包含了不同太陽方位角、深度和陰影位置下的圖像，以此來強化模型的適應(yīng)能力。實驗結(jié)果表明，通過這些光照條件相關(guān)的增強措施，改進后的YOLOv8在水下環(huán)境中對于光照變化的適應(yīng)能力和目標(biāo)檢測性能都有顯著提升。這使得我們的算法在面對復(fù)雜的水下場景時，仍然能夠維持較高準(zhǔn)確率的檢測效率。3.3訓(xùn)練策略數(shù)據(jù)集增強:在訓(xùn)練過程中，我們對水下圖像數(shù)據(jù)集進行多種增強操作，以提高模型泛化能力和robustness。這些增強操作包括：隨機翻轉(zhuǎn)、隨機裁剪、色彩空間變換(亮度、對比度、飽和度調(diào)整)、模糊、以及添加噪聲。交錯訓(xùn)練:為了平衡不同尺度的目標(biāo)檢測性能，我們會采用交錯訓(xùn)練方案。我們將訓(xùn)練過程分為兩階段：第一階段主要訓(xùn)練目標(biāo)檢測模型在檢測大尺度目標(biāo)方面，第二階段則重點訓(xùn)練小尺度目標(biāo)的檢測能力。學(xué)習(xí)率調(diào)度:為了加速模型訓(xùn)練并避免過擬合，我們采用多階段學(xué)習(xí)率衰減策略。訓(xùn)練初期使用較高的學(xué)習(xí)率，逐步降低至較低的學(xué)習(xí)率，最終使用最低學(xué)習(xí)率進行微調(diào)。正則化技術(shù):在訓(xùn)練過程中，我們采用了一些正則化技術(shù)，例如L1正則化和L2正則化，以防止模型過擬合和提高其泛化能力。批處理大小:為了提高訓(xùn)練效率，我們使用較大的批處理大小進行訓(xùn)練。評價指標(biāo):我們采用多種常用的目標(biāo)檢測評價指標(biāo)來評估模型性能，包括：mAP(meanAveragePrecision)。3.3.1損失函數(shù)設(shè)計在基于改進YOLOv8的水下目標(biāo)檢測算法中，1損失函數(shù)設(shè)計是確保算法準(zhǔn)確性和穩(wěn)定性的關(guān)鍵環(huán)節(jié)。損耗函數(shù)不僅是用于度量預(yù)測結(jié)果與實際結(jié)果之間差異的工具，也是在訓(xùn)練過程中調(diào)整模型參數(shù)以優(yōu)化性能的重要依據(jù)。改進YOLOv8算法采用了一種多層次的損失函數(shù)結(jié)構(gòu)，包括位置損失、邊界框大小和置信度損失、分類損失以及額外的自適應(yīng)損失。位置損失：這部分庫侖主要關(guān)注預(yù)測的物體位置與實際物體位置的對齊。通過調(diào)整預(yù)測的偏移量，損失函數(shù)促使模型更精確地定位目標(biāo)。邊界框大小和置信度損失：這一部分針對預(yù)測的邊界框大小以及它們的置信度（即模型對框內(nèi)存在物體的概率評估）與實際值之間的誤差。損失函數(shù)通過優(yōu)化這些屬性提升模型的精確度和召回率。分類損失：旨在最小化模型在預(yù)測目標(biāo)類方面的誤差。本算法在YOLOv8的分類損失基礎(chǔ)上，增加了對特定類別（如水下生物）的權(quán)重調(diào)整，以適應(yīng)水下環(huán)境特定的分類需求。額外自適應(yīng)損失：這一部分函數(shù)根據(jù)訓(xùn)練時的實時反饋（如計算資源利用率、實時檢測率等）動態(tài)調(diào)整損失權(quán)重，以實現(xiàn)對模型效能的持續(xù)優(yōu)化，同時保障算法的魯棒性和適應(yīng)性。3.3.2學(xué)習(xí)率調(diào)度策略在學(xué)習(xí)率調(diào)度策略方面，針對水下目標(biāo)檢測的特點，我們對傳統(tǒng)的YOLOv8學(xué)習(xí)率調(diào)整方法進行了優(yōu)化。水下目標(biāo)檢測面臨的主要挑戰(zhàn)之一是復(fù)雜多變的水下環(huán)境，這要求算法能夠更快地收斂并適應(yīng)不同的場景。我們設(shè)計了一種自適應(yīng)的動態(tài)學(xué)習(xí)率調(diào)度策略。初始階段:在模型訓(xùn)練的初始階段，為了快速捕捉水下目標(biāo)的整體特征，我們采用較高的初始學(xué)習(xí)率。這有助于模型在初期快速收斂到一個較好的局部最優(yōu)解。動態(tài)調(diào)整:隨著訓(xùn)練的進行，我們根據(jù)模型的損失函數(shù)變化動態(tài)調(diào)整學(xué)習(xí)率。當(dāng)損失函數(shù)趨于穩(wěn)定或下降速度明顯減慢時，適當(dāng)降低學(xué)習(xí)率，以確保模型能夠精細地調(diào)整參數(shù)并避免過度擬合。衰減策略:當(dāng)模型接近收斂時，我們采用學(xué)習(xí)率的衰減策略。通過逐漸減小學(xué)習(xí)率，使模型能夠在訓(xùn)練后期更加穩(wěn)定地優(yōu)化參數(shù)，確保檢測結(jié)果的準(zhǔn)確性和魯棒性。結(jié)合水下數(shù)據(jù)集特性:針對水下目標(biāo)數(shù)據(jù)集的特性，如目標(biāo)尺寸、背景復(fù)雜性等，我們結(jié)合這些特性設(shè)計特定的學(xué)習(xí)率調(diào)度策略。對于尺寸較小的水下目標(biāo)，我們會在訓(xùn)練初期使用較高的學(xué)習(xí)率以快速捕捉目標(biāo)特征，并在后期采用較低的學(xué)習(xí)率進行精細調(diào)整。3.3.3訓(xùn)練過程優(yōu)化為了提高模型在各種水下環(huán)境下的泛化能力，我們采用了多種數(shù)據(jù)增強技術(shù)。這些技術(shù)包括：隨機裁剪和縮放：模擬不同尺度的水下場景，增加模型對不同尺寸目標(biāo)的識別能力。旋轉(zhuǎn)和翻轉(zhuǎn)：模擬目標(biāo)在水中的運動軌跡，提高模型對目標(biāo)方向變化的適應(yīng)性。顏色變換：改變圖像的亮度、對比度和飽和度，使模型更好地適應(yīng)不同的光照條件和水下光線變化。我們采用了一種動態(tài)調(diào)整的學(xué)習(xí)率策略，以加速模型的收斂速度并提高訓(xùn)練效果。該策略包括：隨著訓(xùn)練進行逐漸減小學(xué)習(xí)率：使模型在接近收斂時更加穩(wěn)定，避免過擬合。使用余弦退火策略：在訓(xùn)練過程中周期性地調(diào)整學(xué)習(xí)率，使其在最優(yōu)解附近波動，進一步提高訓(xùn)練效果。為了更好地衡量模型性能，我們對損失函數(shù)進行了優(yōu)化。主要改進包括：引入FocalLoss：解決類別不平衡問題，提高模型對難以識別的目標(biāo)物的識別能力。加入邊界框回歸損失：使模型不僅關(guān)注目標(biāo)物的位置，還關(guān)注其精確形狀和大小。結(jié)合多尺度預(yù)測：通過在不同尺度下進行預(yù)測，提高模型對不同尺度目標(biāo)的識別精度。模型集成：將多個訓(xùn)練好的模型進行組合，通過投票或加權(quán)平均等方式得出最終預(yù)測結(jié)果，降低單模型過擬合的風(fēng)險。正則化：在損失函數(shù)中加入L1L2正則化項，限制模型權(quán)重的大小，防止模型過于復(fù)雜導(dǎo)致過擬合。4.實驗結(jié)果及分析在本研究中，我們提出了一種基于改進YOLOv8的水下目標(biāo)檢測算法。通過對比實驗，我們驗證了該算法在水下圖像識別任務(wù)上的優(yōu)越性能。我們在標(biāo)準(zhǔn)數(shù)據(jù)集上進行了評估，包括DUTSOD、DUTTCD和DUTTSC等。實驗結(jié)果表明，相較于現(xiàn)有的算法，改進YOLOv8在水下目標(biāo)檢測任務(wù)上取得了顯著的提升，尤其是在小目標(biāo)檢測方面表現(xiàn)出更強的優(yōu)勢。為了進一步分析改進YOLOv8的性能，我們在不同的尺度、置信度閾值和類別數(shù)設(shè)置下進行了實驗。實驗結(jié)果表明，當(dāng)尺度較小時，改進YOLOv8的檢測效果更好；而當(dāng)尺度較大時，由于模型參數(shù)較多，可能會導(dǎo)致計算量增加，從而影響檢測速度。通過調(diào)整置信度閾值，我們可以進一步提高檢測準(zhǔn)確率，但過高的置信度閾值可能導(dǎo)致漏檢現(xiàn)象。對于不同類別的水下目標(biāo)，我們需要為每個類別分配一個單獨的類別權(quán)重，以提高算法對不同類別的區(qū)分能力。在實際應(yīng)用場景中，如海洋勘測和水下機器人導(dǎo)航等，改進YOLOv8的水下目標(biāo)檢測算法具有廣泛的應(yīng)用前景。通過對不同環(huán)境和任務(wù)的適應(yīng)性優(yōu)化，我們可以進一步提高算法的魯棒性和實用性。本研究提出的基于改進YOLOv8的水下目標(biāo)檢測算法在實驗中取得了良好的性能表現(xiàn)，為水下目標(biāo)檢測領(lǐng)域提供了一種有潛力的有效解決方案。4.1數(shù)據(jù)集介紹在設(shè)計基于改進YOLOv8的水下目標(biāo)檢測算法之前，首先需要詳細介紹所使用的數(shù)據(jù)集。本文所采用的水下目標(biāo)檢測數(shù)據(jù)集是一個專門為水下環(huán)境設(shè)計的，包含了多種類型的水下物體，如潛水器、潛艇、魚類、珊瑚礁等。該數(shù)據(jù)集經(jīng)過了精心準(zhǔn)備，包括大量的標(biāo)注準(zhǔn)確的海底圖像和視頻序列。數(shù)據(jù)集中的圖像和視頻序列都是從水下攝像頭獲得的，這些攝像頭安裝在潛水器或潛水中，能夠捕捉到各種光照條件和復(fù)雜背景下的圖像。數(shù)據(jù)集中的每個圖像或視頻幀都有與之對應(yīng)的目標(biāo)標(biāo)注，這些標(biāo)注包括了物體的位置、大小和類別。數(shù)據(jù)集還包括了一些用于訓(xùn)練和測試的水下物體注釋數(shù)據(jù)集，訓(xùn)練集用于模型訓(xùn)練，而測試集用于評估模型性能。為了確保檢測算法能夠在實際操作中表現(xiàn)良好，數(shù)據(jù)集還包含了來自不同深度、不同角度和不同光線條件下的圖像。這樣的多樣性有助于訓(xùn)練出一個能夠在實際水下環(huán)境中適應(yīng)各種復(fù)雜情況的高效模型。為了進一步提升檢測精度，數(shù)據(jù)集還采用了自適應(yīng)的數(shù)據(jù)增強技術(shù)，包括圖像旋轉(zhuǎn)、縮放、剪切、光照調(diào)整和平移等，以確保模型能夠適應(yīng)多種變化場景。數(shù)據(jù)集還特別處理了背景噪聲和水下光散射等現(xiàn)象，使得訓(xùn)練出來的模型能夠更好地適應(yīng)水下圖像的特性。該數(shù)據(jù)集為改進YOLOv8算法提供了豐富多樣的訓(xùn)練和測試數(shù)據(jù)，確保了算法的泛化能力和準(zhǔn)確率。通過對數(shù)據(jù)的深入理解和處理，可以進一步提升水下目標(biāo)檢測算法的性能。4.2評估指標(biāo)召回率(Recall):召回率是指正確預(yù)測的正樣本數(shù)量占所有實際正樣本數(shù)量的比例。主要衡量模型對所有正樣本的識別能力。平均精確率(mAP):平均精確率是不同IoU閾值下的平均準(zhǔn)確率，通常使用等常見的