WIO-ReefFish

一个用于西印度洋珊瑚礁鱼类分类感知检测的高分辨率数据集，包含标注的GoPro帧，覆盖24个礁鱼类群，并附带每个地点的元数据和多种评估划分。A high-resolution dataset for classification-aware detection of coral reef fishes in the Western Indian Ocean, which includes annotated GoPro frames, covers 24 reef fish groups, and is accompanied by site-specific metadata and multiple evaluation splits.

原始信息汇总

WIO-ReefFish 数据集概览

数据集简介

WIO-ReefFish 是一个针对西印度洋珊瑚礁鱼类的可复现目标检测基准数据集，包含来自肯尼亚和坦桑尼亚水下GoPro样带影像的标注数据，用于比较13种不同的检测器架构。

数据规模与内容

• 数据格式：YOLO格式标注的GoPro影像帧
• 分类数量：24种礁栖鱼类分类群（涵盖23个科和1个亚科）
• 公开发布：数据集可通过 Zenodo 获取（DOI: 10.5281/zenodo.21360119），包含逐点位元数据和论文中使用的替代拆分方案

基准测试划分

数据集提供四种评估拆分方案：

1. 随机拆分（random split）
2. 按样带泛化拆分（by transect）
3. 肯尼亚→坦桑尼亚跨地域泛化拆分
4. 坦桑尼亚→肯尼亚跨地域泛化拆分

评估协议

协议	匹配规则	目的
类别感知（Class-aware）	IoU ≥ 0.50 且科级分类正确	检测 + 分类联合评估
类别无关（Class-agnostic）	IoU ≥ 0.50，所有类别统一映射为"鱼"	仅评估定位能力

结果还按照KITTI风格的难度分级（简单/中等/困难/总体）进行分层统计，基于真实边界框高度的四分位数，以反映小目标、远距离鱼类的检测性能。

评测模型（13种基线）

类型	模型
单阶段检测器	YOLOv8、YOLO11、YOLO26、YOLO-NAS、RetinaNet
Transformer检测器	RT-DETR、Co-DETR
双阶段检测器	Faster R-CNN
开放词汇模型	YOLO-World、Grounding DINO
自监督骨干模型	DINOv2、DINOv2+FRCNN
分割模型	SAM 2（掩码转边界框）

使用说明

• 安装要求：Python、CUDA、PyTorch
• 支持通过命令行训练所有或部分基线模型、执行评估及进行分层分析（跨站点、小目标、可见性、WBF集成等）
• 支持自定义添加新的基线模型（三步即可完成）

许可证与引用

• 许可证：代码与数据集均采用 CC BY-NC 4.0 许可（非商业用途）；第三方模型和检查点保留各自许可证
• 引用：相关论文即将发布，目前可引用数据集DOI（10.5281/zenodo.21359952）

仓库结构亮点

• src/：CLI入口、13种检测器实现及注册表、核心数据类型、KITTI风格评估器、训练与推理、每框可见性/对比度属性等
• scripts/：批量训练脚本、统一评估脚本、数据集特征绘图、分层分析（跨站点、小目标、可见性、WBF集成、水下增强实验）等

搜集汇总

数据集介绍

构建方式

WIO-ReefFish数据集是一个面向西印度洋珊瑚礁鱼类物种检测的基准数据集，其构建源于对肯尼亚和坦桑尼亚水下GoPro样带影像的精细标注。研究者从连续影像中提取关键帧，依据YOLO格式对24个珊瑚礁鱼类分类单元（涵盖23个科及1个亚科）进行边界框标注，并伴随记录了每个位点的环境元数据。为了全面评估模型在不同情境下的泛化能力，数据集设计了四种划分策略，包括随机划分及三种跨样带、跨地理区域的泛化划分（如肯尼亚至坦桑尼亚），同时制定了两套评分协议，分别对应类别感知与类别不可知任务，从而构成了一个多维度、严苛的视觉检测挑战库。

特点

该数据集的显著特点在于其科学严谨的基准构造与模块化评估体系。它集成了十三种具有代表性的检测器架构，覆盖从单阶段、双阶段到基于Transformer、开放词汇与分割模型等多元技术范式，尤其在类别不可知协议下，创新性地允许无法识别具体鱼种的模型仅以定位能力参与评估，从而公平比较不同复杂度模型的本质差异。此外，结果按KITTI惯例依据边界框高度划分难易等级，细化至小型远距离鱼类的表现分析，使得跨站点泛化、遮挡可见度及水下图像增强等细粒度研究成为可能，揭示了模型在实际生态监测中的鲁棒性短板与优势。

使用方法

使用时，用户需先依照安装指引配置Python、CUDA及PyTorch环境，并从Zenodo仓库获取数据结构，解压至data目录。项目提供了一体化命令行工具，通过快速脚本train_baselines.sh可对全部或部分基线模型进行统一训练，随后调用evaluate.py执行双模式评估，自动生成类别感知与不可知的指标文件及排名摘要。而深入分析阶段，利用run_all_cached.py可重复调用已缓存的预测结果，开展跨位点、小目标、可见性及WBF集成等专项研究。此外，fish-monitoring CLI支持任意单一模型的训练与测试，且设计有可扩展的注册机制，允许研究者仅需三步集成自定义检测器，保证了基准复现与后续研究的灵活性与便利性。

背景与挑战

背景概述

WIO-ReefFish数据集于2026年由相关研究团队发布，旨在解决西印度洋珊瑚礁鱼类自动检测与分类的难题。该数据集基于肯尼亚和坦桑尼亚水域的GoPro水下视频，精心标注了24个鱼类分类单元，涵盖23个科及一个亚科。其核心研究问题在于评估不同目标检测架构在野外水下环境中的泛化能力，为此设计了包括随机划分及跨样带、跨地域在内的四种评估分割，并提出了类别感知与类别无关两种评分协议。该基准测试对推动海洋生态监测的自动化进程具有重要意义，为比较微调模型、开放词汇模型及基于分割的模型提供了公平平台，对水下计算机视觉领域产生了显著影响。

当前挑战

该数据集面临的挑战多维且复杂。领域层面，水下环境光照不均、水体浑浊及鱼类游动导致的形态变化，使得目标检测与分类任务异常艰巨，尤其是小目标与远距离鱼类的准确识别仍是技术难点。构建过程中，从GoPro视频中筛选并标注高质量帧需耗费大量人力，且需确保跨地域（肯尼亚至坦桑尼亚）及跨样带条件下的标注一致性以支持泛化性评估。此外，不同检测器架构（如单阶段、双阶段、Transformer及开放词汇模型）在类别感知与类别无关协议下的性能差异显著，如何公平比较并融合各模型优势，以及应对小目标与低可见度条件下的性能瓶颈，共同构成了该数据集研究中的核心挑战。

常用场景

经典使用场景

WIO-ReefFish数据集的核心应用在于构建与评估水下目标检测基准，其精心设计的训练/测试划分——包括随机划分与三种泛化划分（按横断面、肯尼亚至坦桑尼亚、反向迁移）——赋予了研究者跨地域、跨生态情境下模型泛化性能的严格检验能力。13种前沿探测器架构（从YOLO系列、RT-DETR到基于Transformer的检测器，再到开放词汇模型与分割模型）的集成为公平对比提供了统一框架，使得领域内学者能够系统性地探究不同范式在极具挑战性的珊瑚礁鱼类监测任务中的表现优劣。

衍生相关工作

围绕WIO-ReefFish数据集，一个活跃的学术生态已然萌发。已有的跨站点与细粒度分析实验催生了针对水下图像增强、小目标检测改进、基于WBF集成学习策略等一系列衍生研究。数据集提供的标准化评估代码与可复现基准促进了新检测器架构（如不断迭代的YOLO版本、高效的DETR变体）在水下场景的快速原型验证与性能排行榜更新。同时，其类别无关评估协议的设计哲学已为后续开放词汇与基础模型在水下领域的适配研究树立了参照范式，推动领域迈向更普适、更贴近真实生态监测需求的视觉系统构建。

数据集最近研究

最新研究方向

WIO-ReefFish基准聚焦于西印度洋珊瑚礁鱼类监测的自动化检测与泛化能力研究，其前沿方向在于评估检测模型在跨地域、跨生态情境下的鲁棒性表现。该数据集通过引入三类泛化分割（按断面、肯尼亚至坦桑尼亚等）及双重评分协议（类感知与类无关），旨在应对水下复杂环境中的小目标、遮挡及类间相似性挑战，推动从封闭集检测向开放词汇和零样本分割模型的公平比较。其研究不仅契合全球珊瑚礁生态监测对高效、可扩展AI工具的迫切需求，更通过标准化可复现的评估协议，促进模型在真实部署中的可靠性验证，对海洋生物多样性保护及可持续渔业管理具有关键科学意义与数据科学方法论价值。