本技术涉及目标检测，特别涉及一种yolov8改进模型训练方法和舰船检测方法。
背景技术：
1、在海洋监控领域，舰船目标的检测和识别一直是重要的研究热点。由于海上船舶的特性，如舰船尺度大、形状多变且方向任意，并且，在复杂的海洋环境中，如波浪、云层和海浪反射等因素，都会严重影响舰船目标的可视性和识别准确性。此外，遥感图像的分辨率和质量也直接影响到目标检测的效果。
2、目前，相关技术中的舰船检测方法有基于特征匹配和模板匹配的视觉检测方法和基于卷积神经网络(cnn)的目标检测方法。基于特征匹配和模板匹配的视觉检测方法通常需要手动选择特征，不仅工作量大，而且在复杂背景和不同光照条件下的鲁棒性较差；基于卷积神经网络(cnn)的目标检测算法，虽然在某些场景下表现良好，但对多样的尺度、形状、姿态和方向的目标舰船的识别效果不佳，并且该方法往往会引入不必要的背景信息，降低检测的精确度，增加误检和漏检的风险。因此，亟待开发一种船舶检测方法，解决上述问题。
技术实现思路
1、鉴于此，本技术提供一种yolov8改进模型训练方法和舰船检测方法，可以有效地应对目标舰船在尺度、形状、方向和姿态上的多样性，精确地捕捉舰船的特征，提高在复杂海洋环境下舰船检测精度和鲁棒性。
2、具体而言，包括以下的技术方案：
3、第一方面，本技术提供一种yolov8改进模型训练方法，所述方法包括：
4、获取样本舰船遥感图像、样本舰船标注遥感图像和yolov8改进模型，所述样本舰船标注图像为将所述样本舰船遥感图像分类标注后的图像，所述样本舰船标注图像为分类标注后的图像具有四类标签，所述四类标签分别为船、舰空母舰、军舰和商船，所述yolov8改进模型包括适用于角度特征的obb旋转检测模型、用感受野注意力机制改进的特征提取网络rfanet、利用大型可分离核注意力机制改进的sppf_lska模块和动态注意力尺度序列特征融合网络dsassf；
5、基于所述样本舰船遥感图像和所述样本舰船标注遥感图像，训练yolov8改进模型，得到目标舰船检测模型。
6、在一些实施例中，所述基于所述样本舰船遥感图像和所述样本舰船标注遥感图像，训练yolov8改进模型，得到目标舰船检测模型，具体包括：
7、基于所述样本舰船遥感图像和所述样本舰船标注遥感图像，训练yolov8改进模型，得到中间yolov8改进模型；
8、响应于所述中间yolov8改进模型的性能达到预设标准，将达到预设标准的中间yolov8改进模型作为所述目标舰船检测模型；响应于所述中间yolov8改进模型的性能未达到预设标准，调整所述中间yolov8改进模型的训练参数，直至所述中间yolov8改进模型的性能达到预设标准，所述训练参数包括初始学习率和训练迭代次数中的一种或多种参数。
9、在一些实施例中，yolov8改进模型的是在yolov8模型的基础上进行改进得到的模型，改进方式包括：
10、引入适用于角度特征的obb旋转检测模型，将yolov8模型的head部分替换为obb旋转检测模型，作为yolov8改进模型的head部分；
11、改进所述yolov8模型的特征提取网络cspdarknet-53，用感受野注意力机制改进的rfcbam_conv模块替换所述特征提取网络cspdarknet-53中的conv卷积层，用感受野注意力机制改进的rfcbam_c2f模块替换特征提取网络cspdarknet-53中的c2f模块，得到用感受野注意力机制改进的特征提取网络rfanet；
12、改进所述yolov8模型中的快速空间金字塔池化层sppf，用大型可分离核注意力机制改进的sppf_lska模块替换快速空间金字塔池化层sppf，得到利用大型可分离核注意力机制改进的sppf_lska模块；
13、改进所述yolov8模型中的panet特征融合网络，加入dsassf结构，同时用感受野注意力机制改进的rfcbam_conv替换所述panet特征融合网络中的conv卷积层，用感受野注意力机制改进的rfcbam_c2f替换所述panet特征融合网络中的c2f模块，得到动态注意力尺度序列特征融合网络dsassf。
14、在一些实施例中，所述yolov8改进模型训练方法还包括：
15、将所述样本舰船标注图像中标签格式转换为支持所述obb旋转检测模型的yolo-obb格式。
16、在一些实施例中，所述用感受野注意力机制改进的rfcbam_conv模块用于扩展特征图尺寸，利用空间和通道注意力机制来增强特征表示，包括分组卷积层group conv、形状调整层adjust shape、通道注意力模块se、空间注意力模块、标准卷积层conv和sigmoid激活函数；
17、所述用感受野注意力机制改进的rfcbam_c2f模块，包括多个bottleneck_rfcbamconv，每个bottleneck_rfcbamconv用于执行带有注意力机制的卷积操作。
18、在一些实施例中，所述bottleneck_rfcbamconv为在bottleneck模块基础上进行改进得到的，具体改进方式包括：将bottleneck模块中的第二个卷积层替换为rfcbam_conv模块。
19、在一些实施例中，所述sppf_lska模块具体改进方式包括：
20、在sppf模块中的每个尺度的池化操作后加入lska模块，用于聚合空间信息，并通过注意力机制强化特征的表达力。
21、在一些实施例中，动态注意力尺度序列特征融合网络dsassf具有dsassf结构，用于融合空间特征、多尺度特征和多个尺度的图像的全局或高级语义信息，捕捉舰船的局部细节，所述动态注意力尺度序列特征融合网络dsassf包括dynamicscalseq模块和多个msfe多尺度特征编码模块。
22、在一些实施例中，所述obb旋转检测模型包括卷积层、分类层和回归层，用于对动态注意力尺度序列特征融合网络dsassf输出的多尺度增强特征图进行旋转处理和分类处理，输出舰船检测结果，所述obb旋转检测模型包括probiou损失函数。
23、第二方面，本技术提供一种舰船检测方法，所述方法包括：
24、获取如第一方面所述的yolov8改进模型训练方法中的目标舰船检测模型；
25、将待测舰船遥感图像输入到所述目标舰船检测模型中，得到船舶检测结果，所述舰船检测结果包括舰船检测边界框的位置、舰船类别、置信度和类别概率。
26、本技术实施例提供的技术方案的有益效果至少包括：
27、本技术实施例提供了一种yolov8改进模型训练方法和舰船检测方法，所述方法基于样本舰船遥感图像和样本舰船标注遥感图像，对包括适用于角度特征的obb旋转检测模型、用感受野注意力机制改进的特征提取网络rfanet、动态注意力尺度序列特征融合网络dsassf和利用大型可分离核注意力机制改进的sppf_lska模块的yolov8改进模型训练，引入适用于角度特征的obb旋转检测模型可以避免舰船朝向的随机性干扰，引入用感受野注意力机制改进的特征提取网络rfanet可以提高舰船特征的提取性能，利用大型可分离核注意力机制改进的sppf_lska模块可捕获图像中的长距离依赖，进一步增强多尺度特征的提取能力，动态注意力尺度序列特征融合网络dsassf可以融合空间特征、多尺度特征和多个尺度的图像的全局或高级语义信息，捕捉舰船的局部细节，提升检测精确性。本技术能够有效地应对目标舰船在尺度、形状、方向和姿态上的多样性，精确地捕捉舰船的特征，提高在复杂海洋环境下舰船检测精度和鲁棒性。
1.yolov8改进模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的yolov8改进模型训练方法，其特征在于，所述基于所述样本舰船遥感图像和所述样本舰船标注遥感图像，训练yolov8改进模型，得到目标舰船检测模型，具体包括：
3.根据权利要求1所述的yolov8改进模型训练方法，其特征在于，yolov8改进模型的是在yolov8模型的基础上进行改进得到的模型，改进方式包括：
4.根据权利要求1所述的yolov8改进模型训练方法，其特征在于，所述yolov8改进模型训练方法还包括：
5.根据权利要求3所述的yolov8改进模型训练方法，其特征在于，
6.根据权利要求5所述的yolov8改进模型训练方法，其特征在于，所述bottleneck_rfcbamconv为在bottleneck模块基础上进行改进得到的，具体改进方式包括：将bottleneck模块中的第二个卷积层替换为rfcbam_conv模块。
7.根据权利要求3所述的yolov8改进模型训练方法，其特征在于，所述sppf_lska模块具体改进方式包括：
8.根据权利要求3所述的yolov8改进模型训练方法，其特征在于，动态注意力尺度序列特征融合网络dsassf具有dsassf结构，用于融合空间特征、多尺度特征和多个尺度的图像的全局或高级语义信息，捕捉舰船的局部细节，所述动态注意力尺度序列特征融合网络dsassf包括dynamicscalseq模块和多个msfe多尺度特征编码模块。
9.根据权利要求3所述的yolov8改进模型训练方法，其特征在于，obb旋转检测模型包括卷积层、分类层和回归层，用于对动态注意力尺度序列特征融合网络dsassf输出的多尺度增强特征图进行旋转处理和分类处理，输出舰船检测结果，所述obb旋转检测模型包括probiou损失函数。
10.一种舰船检测方法，其特征在于，所述方法包括：
