SimuShips

SimuShips是由芬兰图尔库的Åbo Akademi大学科学与工程学院创建的高分辨率模拟数据集，专注于船舶检测。该数据集包含9471张1920x1080分辨率的高清图像，涵盖多种障碍物类型、大气和光照条件，以及遮挡、比例和可见比例的变化。数据集通过AILiveSim模拟工具收集，旨在为自主海上表面船舶提供精确的障碍物检测训练数据。SimuShips的应用领域包括提高海上智能船舶的安全技术，通过结合真实和模拟图像数据，提升对象检测算法的召回率，从而减少海上导航事故。

SimuShips is a high-resolution simulation dataset created by the School of Science and Engineering, Åbo Akademi University in Turku, Finland, focusing on ship detection. This dataset contains 9471 high-definition images with a resolution of 1920×1080, covering diverse obstacle types, atmospheric and lighting conditions, as well as variations in occlusion, object scale and visible proportion. Collected using the AILiveSim simulation tool, SimuShips is designed to provide precise obstacle detection training data for autonomous marine surface vessels. Its application fields include improving the safety technologies of intelligent marine ships; by combining real and simulated image data, it can enhance the recall rate of object detection algorithms, thereby reducing maritime navigation accidents.

搜集汇总

数据集介绍

构建方式

在海洋自主航行系统研发领域，高质量数据集的稀缺性构成了技术发展的关键瓶颈。SimuShips数据集的构建采用了先进的数字孪生技术，通过AILiveSim三维仿真平台，精准模拟了芬兰图尔库至鲁伊萨洛航线的真实海洋环境。数据采集过程中，研究团队在虚拟船只上部署了四台以90度角间隔分布的摄像头，以每秒30帧的速率捕获1920×1080分辨率的高清图像，同步生成对应的语义分割掩码。通过编程化调整障碍物类型、空间位置及运动状态，结合多样化气象与光照条件，最终生成了9471张涵盖复杂海况的仿真图像，并利用OpenCV库从分割掩码中自动提取出标准化边界框标注。

特点

该数据集的核心价值体现在其高度的环境拟真性与系统化的多样性设计。图像内容不仅覆盖了摩托艇、拖船、军舰、帆船、货轮等八类动态船舶目标，还包含了浮标、礁石等静态障碍物，完整再现了航道中多目标交互场景。通过精细调控仿真参数，数据集囊括了晴、云、雾三种大气状态与午后、黄昏、夜间多时段光照变化，同时刻意引入了目标遮挡、尺度差异及局部可见等挑战性视觉条件。这种多维度的环境变量控制，使数据集能够有效模拟真实海洋探测中因天气、能见度及距离变化导致的检测难点，为算法鲁棒性验证提供了理想测试基准。

使用方法

SimuShips数据集主要服务于基于深度学习的海上目标检测算法开发与验证。研究者可通过公开的Zenodo存储库获取完整的图像数据及YOLO格式的标注文件，配套提供的Jupyter Notebook工具支持可视化数据浏览与标注校验。在实际应用中，该仿真数据集可与真实海域数据集（如ABOships）进行融合训练，通过迁移学习策略提升模型在复杂环境下的泛化能力。实验表明，采用虚实数据联合训练能使YOLOv5模型在各类目标的召回率上提升2.9%。此外，数据集的分割掩码数据还可扩展应用于语义分割、场景理解等计算机视觉任务，为自主航行系统的环境感知模块提供多维训练资源。

背景与挑战

背景概述

随着全球航运交通的持续增长，自主水面船舶（AMSV）的发展成为海事安全与自动化领域的关键议题。由芬兰奥博学术大学的研究团队于2022年创建的SimuShips数据集，旨在应对海事环境中障碍物检测的数据稀缺问题。该数据集通过高保真仿真工具AILiveSim生成，包含9471张高分辨率图像，覆盖多样化的船舶类型、气象与光照条件，并提供了精确的边界框标注。SimuShips的核心研究问题在于为基于卷积神经网络的船舶检测算法提供大规模、高质量的仿真数据，以弥补真实场景数据收集的不足，其公开可用性显著推动了海事自主系统在感知与避障方面的研究进展。

当前挑战

SimuShips数据集所针对的船舶检测任务面临多重挑战：海事环境中的复杂光照变化、天气干扰以及目标尺度与遮挡的多样性，使得传统计算机视觉方法难以实现鲁棒检测。同时，构建过程中需克服真实数据采集的高成本与高风险，仿真数据需在视觉逼真度与场景多样性之间取得平衡，以确保其能够有效迁移至真实世界应用。此外，数据标注的精确性与一致性也是关键挑战，需通过自动化流程从分割掩码中提取可靠边界框，以支撑深度学习模型的训练需求。

常用场景

经典使用场景

在自主海事表面船舶（AMSV）的障碍物检测领域，SimuShips数据集被广泛应用于训练和评估基于卷积神经网络的物体检测模型。该数据集通过高分辨率模拟图像，涵盖了多样化的船舶类型、天气与光照条件，以及遮挡和尺度变化等复杂场景，为研究者提供了一个高度可控且成本效益显著的实验平台。其经典使用场景包括利用YOLOv5等先进算法进行模型训练，以验证模拟数据在提升检测召回率方面的有效性。

实际应用

在实际应用中，SimuShips数据集支持自主船舶的实时障碍物检测与避碰系统开发。其模拟环境基于芬兰图尔库至鲁伊萨洛的真实航线，集成了动态与静态障碍物，能够模拟午后、夜晚及雾天等多种航行条件。该数据集可直接用于训练车载视觉传感器算法，提升船舶在复杂海况下的环境感知能力，为海事安全运营和自动化导航提供可靠的技术基础。

衍生相关工作

SimuShips的推出促进了海事计算机视觉领域的多项衍生研究。例如，基于该数据集与真实数据集ABOships的融合训练策略，被扩展至语义分割、分类及同步定位与地图构建（SLAM）等任务。相关研究进一步探索了数字孪生技术在数据生成中的潜力，推动了如AILiveSim等仿真工具在自主系统开发中的应用，并为跨域数据融合方法提供了实证案例。