精度最高 99.1%！轻量化 YOLOv8 船舶检测模型

来源：市场资讯

（来源：计算机视觉研究院）

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12575807/pdf/41598_2025_Article_21887.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出了一款基于 YOLOv8 改进的轻量化船舶多目标检测模型 ——GEW-YOLO。通过三大核心技术改造，模型在参数量仅 1.2M 的极致轻量化条件下，实现了复杂场景下检测精度的大幅突破，在公开数据集上最高 mAP@0.5 可达 99.1%。

PART/1

痛点

海上船舶目标检测是计算机视觉在海事领域的典型应用难题，长期面临三大挑战：

：近岸港口区域，船舶常与起重机、堆场建筑、货物等遮挡物混杂，目标特征被严重淹没，误检率高；

：远海场景下船舶目标占画面比例不足 0.5%，小目标漏检率高达 42.3%；近景船舶尺度大，特征提取难度不一；

：现有高精度检测模型参数量大、计算开销高，难以在边缘监控设备、船载终端上实现实时推理。

现有基于 YOLO 的改进方案普遍存在轻量化与精度难以平衡、复杂背景鲁棒性不足、小目标识别能力弱等问题，复杂海况下平均检测精度仅 78.3%，远达不到实用标准。

PART/2

创新

GEW-YOLO：三大升级，轻量与精度双向突破

研究团队以轻量化版本 YOLOv8n 为基线，从特征融合轻量化、语义特征增强、损失函数优化三个维度定向改造，最终形成 GEW-YOLO 模型，整体网络架构如下：

【GEW-YOLO 详细网络架构图】

1. 轻量化颈部：GSConvns 模块，降参不降质

模型颈部全部替换为 GSConvns（带邻域采样的分组洗牌卷积）与 VoVGSCSPns 模块：

• 融合普通卷积与深度可分离卷积的优势，通过分组卷积 + 通道洗牌机制，大幅压缩参数量的同时保证跨通道信息交互；

• 新增邻域采样策略，强化局部细粒度特征聚合，专门适配海上小目标检测场景。该设计在保证特征表达能力接近普通卷积的前提下，显著降低了模型计算量与参数量。

2. 特征增强：ESSE 模块，精准聚焦船舶区域

针对复杂背景下的目标识别难题，团队设计了ESSE 高效船舶语义增强模块：

• 采用双分支并行结构：1×1 卷积负责通道维度的语义信息交互，3×3 卷积负责空间维度的边界与轮廓提取；

• 通过特征融合子模块 FFO 结合残差连接，避免深层网络的信息丢失，让模型自动加权船舶目标区域，抑制背景噪声。相比传统单通道注意力，ESSE 同时覆盖语义与空间维度，对密集排布、多尺度船舶的识别提升更显著。

3. 损失优化：Wise-IoU，向难例样本倾斜

检测头部分用 Wise-IoU 损失函数替代原版 CIoU：

• 基于锚框质量动态分配损失权重，引导模型重点关注小目标、遮挡目标、低对比度目标等难检测样本；

• 降低对低质量样本的过度拟合，提升模型整体泛化能力，尤其适配红外、夜间、雾天等低能见度场景。

PART/3

实验

实测验证：三大数据集全面领跑

团队在Dockship、SeaShips、红外近海船舶三大主流公开数据集上完成实验，所有数据集按 7:2:1 划分为训练集、测试集、验证集，输入尺寸统一归一化为 640×640。

1. 消融实验：每个模块都有明确增益

通过控制变量法逐一验证三大模块的效果，核心结果如下：

【Dockship 数据集消融实验结果】

【SeaShips 数据集消融实验结果】

【红外近海船舶数据集消融实验结果】

数据显示，三大模块组合后协同增益最强：

• Dockship 数据集：mAP@0.5 从基线 78.3% 提升至 82.1%，召回率提升 6 个百分点；

• SeaShips 数据集：mAP@0.5 从 97.1% 提升至 99.1%，精准度与召回率均突破 97%；

• 红外近海数据集：mAP@0.5 从 89.4% 提升至 91.7%，低对比度场景识别能力显著增强。

2. 横向对比：精度与轻量双第一

团队将 GEW-YOLO 与 YOLOv5-v11 全系列、Faster-RCNN 及多款船舶专用检测模型进行横向对标，结果如下：

【Dockship 数据集各模型性能对比】

【SeaShips 数据集各模型性能对比】

【红外近海船舶数据集各模型性能对比】

最突出的优势是极致轻量化：GEW-YOLO 参数量仅 1.2M，远小于基线 YOLOv8n 的 3.3M，同时 mAP 指标全面超越基线，尤其 mAP@0.5:0.95 提升幅度显著，真正实现了 “更小的模型，更高的精度”，非常适合边缘设备部署。

3. 可视化效果：肉眼可见的提升

下图直观展示了 GEW-YOLO 与原版 YOLOv8 的检测效果差异，在重叠目标、密集小目标、低对比度红外场景下，GEW-YOLO 的检出率与置信度均明显更高：

【Dockship 数据集检测效果对比】

【SeaShips 数据集检测效果对比】

【红外近海船舶数据集检测效果对比】

实测数据显示，重叠目标场景下召回率提升 6%，红外低对比度场景下平均检测置信度提升 10.1%。

PART/4

总结与展望

GEW-YOLO 通过 GSConvns 轻量化颈部、ESSE 特征增强模块与 Wise-IoU 损失函数的组合创新，成功在船舶检测任务上打破了 “轻量化必降精度” 的固有矛盾，尤其适配港口视频监控、红外海事监测、船载辅助驾驶等实际场景，具备很高的落地应用价值。

同时研究团队也指出，模型在极端恶劣天气、极低能见度场景下性能仍有下降，对大长宽比船舶与超小目标的特征提取还有提升空间。未来团队将进一步扩充数据集，覆盖更多船型与复杂海况，持续优化模型的泛化能力，推动船舶智能检测技术的工程化落地。

有相关需求的你可以联系我们！