水下图像因光线衰减、水体散射、色彩偏移等问题，目标检测难度远高于常规陆地场景。本教程将带你从水下图像预处理增强入手，结合YOLOv8的特性完成自定义模型训练、优化与部署，解决水下目标检测的核心痛点，实现高效准确的水下目标识别。

学习步骤

1. 环境搭建与水下数据集准备

   1. 安装YOLOv8环境：使用`pip install ultralytics`命令完成YOLOv8库的安装，同时安装OpenCV、NumPy、Matplotlib等依赖库；2. 获取水下数据集：推荐使用UFO-120（含120类水下目标）、SUIM（含海洋生物、水下垃圾等多类别目标）公开数据集，下载后按YOLO格式整理，将图像放入`images`文件夹，标注文件放入`labels`文件夹，划分训练集、验证集、测试集比例为8:1:1；3. 配置数据集yaml文件：创建`underwater_data.yaml`，指定train、val、test路径，以及nc（类别数）和names（类别名称列表）。

2. 水下图像预处理与增强

   1. 色彩还原：使用Retinex算法修复水下图像的蓝绿偏色，代码示例：`import cv2; import numpy as np; def retinex_enhance(img): img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB); img_float = np.float32(img) / 255.0; retinex = np.log10(img_float + 1) - np.log10(np.mean(img_float) + 1); retinex = (retinex - np.min(retinex)) / (np.max(retinex) - np.min(retinex)) * 255; return cv2.cvtColor(np.uint8(retinex), cv2.COLOR_RGB2BGR)`；2. 对比度提升：使用CLAHE（限制对比度自适应直方图均衡化）增强图像细节，代码示例：`clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)); lab = cv2.cvtColor(img_enhanced, cv2.COLOR_BGR2LAB); l, a, b = cv2.split(lab); l_clahe = clahe.apply(l); lab_clahe = cv2.merge((l_clahe,a,b)); final_img = cv2.cvtColor(lab_clahe, cv2.COLOR_LAB2BGR)`；3. 数据集增强：在YOLOv8训练时开启mosaic、mixup增强，同时添加随机水体散射模拟，提升模型鲁棒性。

3. YOLOv8模型适配与自定义训练

   1. 模型选择：针对水下设备算力限制，优先选择YOLOv8n或YOLOv8s轻量化模型；2. 锚框适配：使用`yolo detect val data=underwater_data.yaml model=yolov8n.pt --anchors`命令自动计算水下目标的最优锚框尺寸；3. 启动训练：执行命令`yolo detect train data=underwater_data.yaml model=yolov8n.pt epochs=60 batch=16 imgsz=640 optimizer=AdamW lr0=0.001`，训练过程中关注mAP@0.5指标变化；4. 微调优化：若小目标检测效果差，可调整模型的检测层参数，增加小目标特征提取分支。

4. 模型评估与性能优化

   1. 模型评估：使用`yolo detect val data=underwater_data.yaml model=runs/detect/train/weights/best.pt`生成评估报告，重点关注mAP@0.5、Recall、Precision指标；2. 模型压缩：使用YOLOv8内置剪枝工具`yolo prune model=runs/detect/train/weights/best.pt ratio=0.3`减少模型参数，提升推理速度；3. 量化加速：将模型导出为INT8格式，命令为`yolo export model=runs/detect/train/weights/best.pt format=onnx int8`，降低显存占用；4. 注意力融合：在YOLOv8 Backbone中添加CBAM注意力模块，增强模型对水下模糊目标的特征提取能力。

5. 模型部署与水下场景测试

   1. 边缘部署：将导出的ONNX模型部署到Jetson Nano等边缘设备，使用TensorRT进行推理加速；2. 实时测试：连接水下摄像头，编写推理脚本实现实时水下目标检测，代码示例：`from ultralytics import YOLO; model = YOLO('best.pt'); results = model(source=0, stream=True); for result in results: boxes = result.boxes; result.show()`；3. 效果优化：根据测试结果调整置信度阈值（如设置conf=0.4），过滤误检框，提升检测准确率。