【完整源码+数据集】海洋生物数据集，yolov8水下生物检测数据集 7507 张，海洋动物识别数据集，海洋巡检海底生物识别系统实战教程

文章前瞻：优质数据集与检测系统

数据集与检测系统	数据集与检测系统
基于深度学习的道路积水检测系统	道路积水识别数据集（分割）
基于深度学习的道路裂缝检测系统	基于深度学习的道路结冰检测系统
道路油污识别数据集	基于深度学习的道路垃圾检测系统
基于深度学习的交通事故检测系统	基于深度学习的水面垃圾检测系统
基于深度学习的电动车头盔佩戴检测系统	基于深度学习的安全帽检测系统
基于深度学习的人员吸烟检测系统	基于深度学习的口罩佩戴检测系统
基于深度学习的烟雾和火灾检测系统	基于深度学习的树木倒塌检测系统
基于深度学习的人员摔倒检测系统	基于深度学习的水面船只检测系统
基于深度学习的遥感船舶检测系统	基于深度学习的行人车辆检测系统
基于深度学习的车辆分类检测系统	基于深度学习的多分类车辆检测系统
基于深度学习的交通信号灯检测系统	基于深度学习的人员密集聚众检测系统
基于深度学习的人员游泳溺水检测系统	基于深度学习的井盖丢失破损检测系统
基于深度学习的动物分类检测系统	基于深度学习的人员睡岗玩手机检测系统
基于深度学习的航拍行人检测系统	基于深度学习的航拍行人检测系统2
基于深度学习的牛只计数与检测系统	基于深度学习的道路积雪结冰检测系统
基于深度学习的羊只计数与检测系统	基于深度学习的光伏板检测系统
基于深度学习的光伏板缺陷检测系统	基于深度学习的农业病虫害检测系统
基于深度学习的害虫检测系统	基于深度学习的消防灭火器检测系统
基于深度学习的垃圾分类检测系统	基于深度学习的反光衣穿戴检测系统
基于深度学习的水面水藻检测系统	基于深度学习的工地安全穿戴检测系统（安全帽反光衣安全鞋）
基于深度学习的猫狗分类检测系统	基于深度学习的食品分类检测系统
基于深度学习的海洋垃圾检测系统	基于深度学习的水面船舶分类检测系统
基于深度学习的工地挖掘机检测系统	基于深度学习的工地工程车检测系统
基于深度学习的救生衣穿戴检测系统	基于深度学习的人员姿势检测系统（站坐躺摔倒）
基于深度学习的家具分类检测系统	水果分类识别数据集（分割）
基于深度学习的水果分类检测系统	基于深度学习的航拍水面漂浮物检测系统
基于深度学习的无人机设备检测系统	基于深度学习的水面垂钓检测系统
基于深度学习的人体手势检测系统	基于深度学习的可回收/不可回收垃圾检测系统
基于深度学习的吸烟玩手机行为检测系统	基于深度学习的明厨亮灶鼠患检测系统
基于深度学习的航拍车辆分类检测系统	基于深度学习的航拍树木检测系统
基于深度学习的氧气瓶检测系统	基于深度学习的电线杆杂物检测系统
基于深度学习的电动车进电梯检测系统	基于深度学习的车道自行车检测系统
基于深度学习的航拍光伏板检测系统	基于深度学习的航拍船舶检测系统
基于深度学习的服饰分类检测系统	基于深度学习的玉米作物检测系统
基于深度学习的摆摊占道经营检测系统	基于深度学习的建筑垃圾废料检测系统
基于深度学习的猪计数与检测系统	基于深度学习的猪只行为动作检测系统
基于深度学习的农作物病害检测系统(最全植物种类)	基于深度学习的电力塔检测系统
基于深度学习的纸箱检测系统	基于深度学习的共享单车检测系统
基于深度学习的马行为状态检测系统	基于深度学习的水稻病害检测系统
基于深度学习的蓝莓成熟度检测系统	基于深度学习的草莓成熟度检测系统
基于深度学习的人员高空作业检测系统	基于深度学习的学生课堂行为检测系统
基于深度学习的汽车车牌检测系统	基于深度学习的武器刀具检测系统
基于深度学习的道路病害检测系统

一、海洋生物识别数据集介绍

【数据集】yolov8水下生物检测数据集 7507 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。

数据集中标签包含5种分类：names: ['echinus', 'holothurian', 'scallop', 'starfish', 'waterweeds']，代表海胆，海参，扇贝，海星，水草。

检测场景为河道、海岸、海底、水下、捕鱼厂等场景，可用于海洋生态保护、渔业资源精准管理、海洋环境预警、海洋科研支撑等。

文章底部名片或主页私信获取数据集和系统~

1、数据概述

海洋生物识别的重要性

海洋生物是海洋生态系统的核心组成，其种群数量、分布范围直接反映海洋环境健康状况，同时关联渔业资源可持续利用与海洋安全。但传统海洋生物检测存在显著局限：人工科考依赖潜水员采样或科考船拖网，不仅覆盖范围有限，还易对海洋生物造成惊扰或伤害，尤其难以触及深海、极地等极端区域；光学观测后需人工识别生物种类，效率低下，且对形态相似物种易出现误判；数据记录与分析滞后，难以及时捕捉生物种群的动态变化，无法为生态保护提供实时支撑。

YOLO算法凭借“实时目标检测+高适应性”的优势破解上述难题：其一，可搭载于水下机器人、无人机、卫星遥感设备，实现从浅海到深海、近岸到远洋的全范围覆盖，无需人工直接介入；其二，能快速识别画面中各类海洋生物，精准区分物种差异（如区分不同珊瑚种类、鱼类幼体与成体），即使在浑浊水体、低光照等复杂环境下也能保持稳定识别能力；其三，检测数据可实时回传并自动分类统计，为生态监测、资源管理提供高效数据支撑，推动海洋研究从“间歇性采样”向“持续性监测”转型。

基于YOLO的水下生物检测系统

1. 海洋生态保护：YOLO可长期追踪濒危物种（如中华白海豚、珊瑚礁鱼类）的活动轨迹与种群数量，及时发现其栖息地受污染、破坏等异常情况，为保护区划定、生态修复方案制定提供依据。同时，能快速识别外来入侵物种（如狮子鱼）的扩散范围，助力提前采取防控措施，避免破坏本地生态平衡。

2. 渔业资源精准管理：通过检测鱼群种类、密度与规模，YOLO可辅助渔业部门判断渔业资源储量，明确禁渔期、禁渔区的科学边界，避免过度捕捞。在捕捞作业中，可联动渔具设备识别保护物种，及时发出预警，减少误捕情况，保障渔业资源可持续利用。

3. 海洋环境预警：部分海洋生物的异常聚集或行为变化是环境恶化的信号，如赤潮爆发前浮游生物会大量增殖。YOLO可通过持续监测捕捉这类异常，快速联动环境监测系统发出预警，为沿海养殖区、核电站取水口等关键区域争取应对时间，减少经济损失。

4. 海洋科研支撑：在海洋生物学研究中，YOLO可自动记录生物的摄食、繁殖、洄游等行为数据，替代人工长期观测的繁琐工作。尤其在深海生物研究中，能帮助科研人员获取此前难以触及的物种信息，推动深海生态、生物进化等领域的研究突破。

该数据集含有 7507 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试河道、海岸、海底、水下、捕鱼厂等场景进行水下生物识别。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

marine_life/

——test/

————Annotations/

————images/

————labels/

——train/

————Annotations/

————images/

————labels/

——valid/

————Annotations/

————images/

————labels/

——data.yaml

• 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
• Annotations文件夹为Pascal VOC格式的XML文件 ；
• images文件夹为jpg格式的数据样本；
• labels文件夹是YOLO格式的TXT文件；
• data.yaml是数据集配置文件，包含海洋生物检测的目标分类和加载路径。

​​

Annotations目录下的xml文件内容如下：

<?xml version="1.0" encoding="utf-8"?><annotation><folder>driving_annotation_dataset</folder><filename>100379.jpg</filename><size><width>640</width><height>640</height><depth>3</depth></size><object><name>holothurian</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>330</xmin><ymin>387</ymin><xmax>386</xmax><ymax>429</ymax></bndbox></object><object><name>starfish</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>106</xmin><ymin>344</ymin><xmax>167</xmax><ymax>443</ymax></bndbox></object><object><name>starfish</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>186</xmin><ymin>413</ymin><xmax>226</xmax><ymax>495</ymax></bndbox></object><object><name>starfish</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>125</xmin><ymin>510</ymin><xmax>177</xmax><ymax>587</ymax></bndbox></object><object><name>holothurian</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>165</xmin><ymin>522</ymin><xmax>201</xmax><ymax>624</ymax></bndbox></object><object><name>holothurian</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>163</xmin><ymin>360</ymin><xmax>213</xmax><ymax>416</ymax></bndbox></object><object><name>starfish</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>429</xmin><ymin>28</ymin><xmax>467</xmax><ymax>62</ymax></bndbox></object><object><name>holothurian</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>219</xmin><ymin>77</ymin><xmax>235</xmax><ymax>127</ymax></bndbox></object></annotation>

labels目录下的txt文件内容如下：

0 0.12465277777777777 0.14205246913580247 0.05555555555555556 0.07160493827160494
0 0.1814236111111111 0.3164158950617284 0.07222222222222222 0.12345679012345678
0 0.21597222222222223 0.254224537037037 0.04444444444444444 0.07407407407407407
0 0.22777777777777777 0.07650462962962963 0.043055555555555555 0.059259259259259255
0 0.39600694444444445 0.1054591049382716 0.05138888888888889 0.0765432098765432
0 0.4256944444444445 0.0601466049382716 0.05138888888888889 0.0765432098765432
0 0.4331597222222222 0.1626929012345679 0.04444444444444444 0.0691358024691358
0 0.47100694444444446 0.20462962962962963 0.02638888888888889 0.059259259259259255
0 0.39565972222222223 0.3564621913580247 0.05694444444444444 0.11604938271604937
0 0.2420138888888889 0.46986882716049383 0.07777777777777777 0.12098765432098765
0 0.17638888888888887 0.5609953703703704 0.09027777777777776 0.14074074074074075
0 0.12604166666666666 0.05694444444444444 0.05833333333333333 0.08888888888888888
0 0.2984375 0.4805555555555555 0.05 0.11111111111111112
0 0.818576388888889 0.2749614197530864 0.05277777777777778 0.10617283950617282
1 0.5894097222222222 0.4251929012345679 0.05694444444444444 0.0691358024691358
1 0.6236111111111111 0.9210069444444444 0.08472222222222223 0.08888888888888888
3 0.878125 0.09837962962962962 0.0625 0.059259259259259255

3、数据集适用范围 

• 目标检测场景，监控识别
• yolo训练模型或其他模型
• 河道、海岸、海底、水下、捕鱼厂
• 可用于海洋生态保护、渔业资源精准管理、海洋环境预警、海洋科研支撑等

4、数据集标注结果 

4.1、数据集内容 

1. 场景视角：监控视角数据样本，人员视角数据样本；
2. 标注内容：names: ['echinus', 'holothurian', 'scallop', 'starfish', 'waterweeds']，总计5个分类；
3. 图片总量：7507 张图片数据；
4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

整体项目结构如下所示：

​​​

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

• 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

• 它打开XML文件，解析树结构，提取图像的宽度和高度。

• 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

• 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

• 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件

import xml.etree.ElementTree as ET
import os
from os import getcwdsets = ['train', 'val', 'test']
classes = ['echinus', 'holothurian', 'scallop', 'starfish', 'waterweeds'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))b1, b2, b3, b4 = b# 标注越界修正if b2 > w:b2 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

 5.4、修改数据集配置文件

在ultralytics-main目录下创建一个data.yaml文件

train: data/train.txt
val: data/val.txt
test: data/test.txtnc: 5
names: ['echinus', 'holothurian', 'scallop', 'starfish', 'waterweeds']

5.5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测 

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) # Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame = cap.read()if success:# Run YOLOv8 inference on the frame# results = model(frame)results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)results[0].names[0] = "自行修改中文名称"# Visualize the results on the frameannotated_frame = results[0].plot()# Write the annotated frame to the output fileout.write(annotated_frame)# Display the annotated frame (optional)cv2.imshow("YOLOv8 Inference", annotated_frame)# Break the loop if 'q' is pressedif cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

图片推理，代码如下：

import warningswarnings.filterwarnings('ignore')
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('models/best.pt')model.predict(source='test_pic',imgsz=640,save=True,conf=0.25)

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

6、获取数据集 

文章底部名片或主页私信获取数据集或检测系统~

二、YOLO海洋生物检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

    - 支持上传本地图片文件，自动完成格式校验。

    - 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。

    - 检测结果可下载保存。

3. 视频检测与实时流

    - 支持上传本地视频文件，自动完成格式校验。

    - 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。

    - 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

    - 前端可实时调整检测置信度阈值，动态影响检测结果。

    - 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

    - 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。

    - 检测异常、错误信息及时反馈，便于排查。

    - 一键清空日志，笔面长期占用内存。

 ​​​​  

2、创建环境并安装依赖：

conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

python app.py

打开浏览器访问：http://localhost:5000

4、效果展示

4.1、推理效果

以武器刀具识别为例，效果如下：

      

4.2、日志文本框

4.3、摄像头检测

5、前端核心页面代码

<!doctype html>
<html lang="zh-CN"><head><meta charset="utf-8"><meta name="viewport" content="width=device-width,initial-scale=1"><title>视觉检测系统 - Web UI</title><link rel="stylesheet" href="/static/style.css"><link rel="icon" href="/favicon.ico">
</head><body><div class="container main-flex"><!-- 左侧内容区 --><div class="left-content"><header><h1>YOLO海洋生物检测系统</h1><div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div></header><main><div class="videoPanel"><div class="pane"><h3>原图 / 视频</h3><div class="preview" id="srcPreview">预览区</div></div><div class="pane"><h3>检测结果</h3><div class="preview" id="detPreview">检测结果</div></div></div><section class="logArea"><div class="logHeader"><h3>日志</h3></div><div class="logInner"><div id="logs" class="logs"></div></div></section></main></div><!-- 右侧按钮栏 --><aside class="right-bar"><!-- 1. 模型上传/加载区 --><section class="model-section"><button id="uploadModelBtn" class="ghost">上传模型<input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件"></button><button id="loadModel">加载模型</button></section><!-- 2. 检测方式选择区 --><section class="detect-mode-section"><div class="detect-mode-title">请选择检测方式</div><div class="detect-mode-radio-group"><label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label><label><input type="radio" name="detectMode" value="camera"> 摄像头</label></div><div id="detectModeUpload" class="detect-mode-panel"><div class="uploaded-file-name"><span id="uploadedFileName" class="placeholder">未选择文件</span></div><div style="height: 22px;"></div><button id="uploadBtn">上传文件<input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频"></button></div><div id="detectModeCamera" class="detect-mode-panel" style="display:none;"><button id="cameraDetectBtn" class="ghost">开启摄像头</button><div id="cameraPreview" class="camera-preview"><video id="localCameraVideo" autoplay muted playsinline></video><div class="camera-controls"><button id="stopCameraBtn" class="ghost">关闭摄像头</button></div></div></div><div class="confWrap"><label class="conf">置信度<input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5"><input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5"></label></div></section><!-- 3. 操作按钮区 --><section class="action-btn-section"><button id="startBtn" disabled class="start">开始检测</button><button id="stopBtn" disabled class="stop">停止</button><button id="clearLogs" class="ghost">清空日志</button></section></aside></div><script src="/static/app.js"></script>
</body></html>

6、代码获取

文章底部名片或私信获取系统源码和数据集~

更多数据集请查看

以上内容均为原创。