基于PaddleDetection卫星应用赛题——海上船舶智能检测
该赛题聚焦基于PaddleDetection的海上船舶智能检测，利用GF-3和哨兵1号卫星的SAR数据。数据集含256x256像素船舶切片及标注，需通过模型检测生成特定格式csv提交。流程包括数据预处理、用faster_rcnn_swin_tiny_fpn模型训练、预测，旨在探索针对性检测方法，助力领海安全等领域。
基于PaddleDetection卫星应用赛题——海上船舶智能检测
一、赛题背景
基于海上船舶目标检测对于领海安全、渔业资源管理和海上运输与救援具有重要意义，但在天气和海浪等不可控自然因素的影响下，依靠派遣海警船或基于可见光数据进行船舶目标监测等手段往往难以有效开展。卫星合成孔径雷达(SAR)是一种全天时、全天候、多维度获取信息的主动式微波成像雷达，为海洋上多尺度的船舶检测提供了强有力的数据保障和技术支持，在遥感图像船舶检测领域占有重要地位。由于SAR的成像原理与光学相机存在很大的差别，如何利用SAR数据特性设计出一套具有针对性的船舶检测方法是一大难点。本赛题鼓励选手通过数据算法寻找这个难题的新颖解法，进一步推动海上船舶智能检测的发展。
二、赛题任务
通过PaddleDetection实现对海上船舶智能检测，通过数据算法寻找这个难题的新颖解法，进一步推动海上船舶智能检测的发展。 
三、数据集介绍
源数据为中国资源卫星应用中心提供的102景GF-3卫星数据及欧空局提供的108景哨兵1号卫星数据。标注数据由中国科学院空天信息创新研究院王超研究员团队制作和提供，通过对源数据进行幅度值生成，位深量化和灰度拉伸处理后，将原始16位复数数据加工为8位数字图像。通过裁剪和筛选，形成像素尺寸为256x256的船舶切片，并通过Labelme目标标注软件，为每一张船舶切片生成对应的船舶标注框信息文本。
四、提交实例
参赛者需要将所有模型检测结果放入一个csv文件中，命名为submission.csv，文件内容格式如下表所示： 每一行为一个待检测影像的信息和结果，其中第一列存储待检测的影像名称（不包含后缀名），第二列存储检测的垂直边框信息，具体边框信息格式为[目标矩形中心点相对横坐标 目标矩形中心点相对纵坐标 目标矩形相对长度比例 目标矩形相对宽度比例]（数字间用英文空格隔开），如果有多个垂直边框，用英文的“;”将边框信息进行分离。
五、评分标准
六、数据预处理
竞赛训练数据集中包括两类数据文件，第一类是.webp格式的SAR影像文件，第二类是txt格式的船舶标注信息文本文件，两者通过相同的名称进行关联，名称命名规则可忽略。
下载数据集（训练集和测试集） 在比赛正式https://www.dcic-china.com/competitions/10022/datasets下载测试集和训练集
其次解压数据集 执行以下命令解压数据集，解压之后将压缩包删除，保证项目空间小于100G。否则项目会被终止。
In [ ]# 1.安装依赖%cd work/PaddleDetection/!pip install -r requirements.txt!pip install paddlex登录后复制 In [ ]
# 2.解压数据集%cd /home/aistudio/data/!unzip data127873/training_dataset.zip!unzip data127874/test_dataset.zip!rm -rf data12*登录后复制 In [13]
!mkdir Images!mkdir txts!cp -r train/*.webp Images!cp -r train/*.txt txts登录后复制
3.数据格式转换 按上述目录结构整理数据之后，原始标签为.txt文件，需要转换为符合VOC规范的.xml文件，接下来进行标签格式转换。
Step 1：修改txt2voc.py中的data_dir为数据集所在文件夹
In [41]# 3.数据格式转换%cd ./train!python text2voc.py!cd ./train/ship_detect ./work/PaddleDetection/dataset登录后复制
七、模型训练
1.利用PaddleDetection套件对检测目标模型进行训练，首先在https://gitee.com/PaddlePaddle/PaddleDetection.git 里，进行克隆，下载项目。
# 1.下载PaddleDetection代码%cd ~/work/# 从Gitee上下载PaddleDetection代码!git clone https://gitee.com/PaddlePaddle/PaddleDetection.git -b develop# 若网速较慢，可使用如下方法下载# !git clone https://hub.fastgit.org/PaddlePaddle/PaddleDetection.git登录后复制
/home/aistudio/work正克隆到 'PaddleDetection'...remote: Enumerating objects: 21396, done.remote: Counting objects: 100% (1866/1866), done.remote: Compressing objects: 100% (934/934), done.remote: Total 21396 (delta 1313), reused 1300 (delta 929), pack-reused 19530接收对象中: 100% (21396/21396), 202.22 MiB | 16.11 MiB/s, 完成.处理 delta 中: 100% (15862/15862), 完成.检查连接... 完成。登录后复制
2.选用PaddleDetection中的目标检测模型，修改参数以及数据集路径，这里选用faster_rcnn_swin_tiny_fpn_3x_coco.yml对数据进行训练。 （1）修改work/PaddleDetection/configs/datasets/voc.yml中的voc数据集所在路径和num_classes。
metric: VOCmap_type: 11pointnum_classes: 2TrainDataset: !VOCDataSet dataset_dir: dataset/ship_detect anno_path: train_list.txt label_list: labels.txt data_fields: ['image', 'gt_bbox', 'gt_class', 'difficult']EvalDataset: !VOCDataSet dataset_dir: dataset/ship_detect anno_path: train_list.txt label_list: labels.txt data_fields: ['image', 'gt_bbox', 'gt_class', 'difficult']TestDataset: !ImageFolder anno_path: dataset/ship_detect/labels.txt登录后复制
（2）修改work/PaddleDetection/configs/faster_rcnn/faster_rcnn_swin_tiny_fpn_1x_coco.yml中数据集格式
_BASE_: [ '../datasets/voc.yml', '../runtime.yml', '_base_/optimizer_swin_1x.yml', '_base_/faster_rcnn_swin_tiny_fpn.yml', '_base_/faster_rcnn_swin_reader.yml',]weights: output/faster_rcnn_swin_tiny_fpn_1x_coco/model_final登录后复制 In [ ]
# 2.选用PaddleDetection中的目标检测模型，修改参数以及数据集路径，这里选用faster_rcnn_swin_tiny_fpn_3x_coco.yml对数据进行训练。%cd ~/work/PaddleDetection!python3.7 ./tools/train.py -c ./configs/faster_rcnn/faster_rcnn_swin_tiny_fpn_3x_coco.yml登录后复制
八、模型预测
将预测txt和jpg保存到/home/aistudio/test_a/
In [ ]# 3.模型预测! cd PaddleDetection && python tools/infer.py -c ./configs/faster_rcnn/faster_rcnn_swin_tiny_fpn_3x_coco.yml --infer_dir=/home/aistudio/测试集/ --save_txt=True --output_dir=/home/aistudio/test_a/ > log.log登录后复制 In [ ]
# 4.生成提交文件%cd ~/work/PaddleDetection/dataset/ship_detect/!python submission.py登录后复制
相关攻略
零基础学习Python可从安装环境开始。前往官网下载最新稳定版，安装时勾选添加PATH选项。验证安装后，创建 py文件并写入print()函数输出文本。通过命令行运行文件，观察输出结果。理解代码按顺序执行，注意括号与引号的正确使用。初期不必死记语法，通过修改代码并运行来建立动手反馈的实践感。
Trae的AI功能深度适配FastAPI与Flask框架。针对FastAPI，它能精准识别异步架构与类型注解，提供模型定义、路由补全及异步数据库建议；在Flask中，则侧重理解装饰器链、请求上下文与ORM操作，辅助完成权限控制与数据库提交等典型模式。此外，Trae具备跨框架语义索引能力，可感知项目结构、依赖变更与工具函数调用，提升开发效率。
Trae在Python数据分析与机器学习项目中主要通过四种方式提供支持：利用Auto模式自动生成并执行端到端分析脚本；通过AgentCLI命令行自动化机器学习建模流程；对现有代码进行智能调试与优化；借助语音交互快速构建数据处理函数。这些功能覆盖了从需求描述到代码生成、模型构建及代码优化的全流程。
在Python编程中，你是否也曾编写过类似的统计代码？ 统计词频 count = {} for word in words: if word in count: count[word] += 1 else: count[word] = 1 实际上，这种高频的计数需求，完全可以通过Python内置
Trae稳定支持Python3 10至3 13版本，3 9及以下版本无法运行。Python3 14处于实验性支持阶段，核心功能可能受限。当存在多个3 10以上版本时，Trae优先选择虚拟环境中的解释器，其次为最高系统版本。此外，Trae仅兼容64位Python解释器，不支持32位架构。
热门专题
热门推荐
摘要由实在Agent通过智能技术生成。此内容由AI根据文章内容自动生成，并已由人工审核。 随着企业数字化转型进入智能体（Agent）驱动的新阶段，如何平衡AI创新与安全合规成为关键挑战。尤其在《网络安全等级保护基本要求》（等保2 0）的严格框架下，企业级智能体的部署必须同时满足效率提升与合规保障的双
使用情景 对于外贸从业者来说，年终总结绝非简单的例行汇报。它是一次至关重要的年度复盘与战略规划，既要系统梳理过去一年的业绩成果与经验得失，也要为来年的市场开拓与业务增长指明清晰路径。在全球贸易竞争白热化的今天，一份逻辑严谨、数据详实、洞察深刻的总结报告，不仅是个人专业能力的集中体现，更是赢得管理层支
使用情景 又到年末了，年度安全工作总结是每个团队都绕不开的环节。这份总结的价值，远不止于一份简单的回顾。它更像是一份“体检报告”，清晰地告诉你过去一年安全工作的“健康状况”——哪里做得好，哪里还有隐患，从而为来年的精准施策打下坚实的基础。 不过，说起写总结、做PPT，不少人就开始头疼了：内容怎么组织
Zcash (ZEC) 月度暴涨520%：深度解析后市行情与关键点位 近期，隐私币龙头Zcash (ZEC) 上演了一场令人瞩目的行情，月度涨幅高达520%，价格一度逼近300美元，创下自2021年12月以来的新高。在加密市场整体承压的背景下，ZEC的逆势狂飙吸引了全球投资者的目光。本文将结合技术分
在存量竞争的时代，电商售后数据早已超越了“成本中心”的单一角色，它正成为洞察产品质量、优化物流链路、提升用户忠诚度的核心战略资产。然而，现实往往骨感：多平台、多店铺、多套ERP系统并存，数据散落一地。靠人工手动汇总？不仅耗时费力，更关键的是，你永远无法实现真正的实时预警与敏捷响应。那么，电商售后数据