FishDet-M

FishDet-M是一个用于鱼类检测的大型统一基准数据集，它整合了13个公开可用的水下数据集，采用COCO风格的注释，包括边界框和分割掩码，使跨域评估一致且可扩展。数据集涵盖了海洋、咸水、遮挡和鱼缸场景等多种水下环境，并包含296,885个注释的鱼类实例，跨越105,556张图像。该数据集支持对28种当代对象检测模型的评估，包括从YOLOv8到YOLOv12系列、基于R-CNN的检测器和基于DETR的模型。FishDet-M为评估复杂水下场景中的对象检测提供了一个标准化和可重复的平台，所有数据集、预训练模型和评估工具都公开发布，以促进水下计算机视觉和智能海洋系统领域的研究。

FishDet-M is a large-scale unified benchmark dataset for fish detection. It integrates 13 publicly available underwater datasets and adopts COCO-style annotations including bounding boxes and segmentation masks, enabling consistent and scalable cross-domain evaluation. The dataset covers diverse underwater environments including marine, brackish water, occluded scenes, and aquarium scenarios, and contains 296,885 annotated fish instances spanning 105,556 images. It supports evaluation of 28 contemporary object detection models, including the YOLOv8 through YOLOv12 series, R-CNN-based detectors, and DETR-based models. FishDet-M provides a standardized and reproducible platform for evaluating object detection in complex underwater scenarios. All datasets, pre-trained models and evaluation tools are publicly released to facilitate research in the fields of underwater computer vision and intelligent marine systems.

搜集汇总

数据集介绍

构建方式

FishDet-M数据集通过整合13个公开可用的水下鱼类检测数据集构建而成，涵盖了海洋、咸淡水、遮挡和水族馆等多种水生环境。所有数据均采用COCO风格的标注格式，包括边界框和分割掩码，确保了标注的一致性和可扩展性。数据集构建过程中进行了严格的质量控制，删除了无效或模糊的标注，并通过分层抽样确保了训练集、验证集和测试集的平衡分布。

使用方法

FishDet-M数据集可用于训练和评估多种目标检测模型，包括YOLO系列、R-CNN和DETR等。用户可以通过标准化的评估指标（如mAP、mAP@50、mAP@75）对模型性能进行量化分析。此外，数据集还支持CLIP引导的模型选择框架，通过视觉-语言对齐动态选择最适合输入图像的检测模型。所有数据集、预训练模型和评估工具均已公开，便于研究者进行复现和进一步研究。

背景与挑战

背景概述

FishDet-M是由Khalifa University自主机器人系统中心（KUCARS）的研究团队于2025年提出的一个大规模、统一的水下鱼类检测基准数据集。该数据集整合了13个公开可用的水下图像数据集，涵盖了海洋、咸淡水、遮挡场景和水族馆等多种水生环境，共包含105,556张图像和296,885个标注的鱼类实例。FishDet-M采用COCO风格的标注格式，包括边界框和分割掩码，旨在解决现有水下鱼类检测数据集碎片化、标注不一致和环境多样性不足等问题。该数据集的建立为水下计算机视觉领域提供了一个标准化的评估平台，促进了鱼类检测算法在生态监测、水产养殖自动化和机器人感知等应用中的发展。

当前挑战

FishDet-M面临的挑战主要包括两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，水下鱼类检测受到水体浑浊、光线散射、遮挡和动态背景等复杂环境因素的严重影响，这些条件会降低图像对比度、扭曲颜色并引入杂波，从而影响检测模型的可靠性。此外，密集鱼群、植被或岩石等遮挡物会进一步掩盖目标，增加了检测的难度。在构建过程方面，数据集整合过程中需要克服不同来源数据集标注格式不一致、图像质量参差不齐、环境条件差异大等挑战。同时，确保数据集的生态多样性和视觉多样性，以及处理大规模数据标注的质量控制，也是构建过程中的重要挑战。

常用场景

经典使用场景

FishDet-M数据集在水下鱼类检测领域具有广泛的应用场景，尤其在生态监测、水产养殖自动化和机器人感知等方面表现出色。该数据集整合了13个公开可用的水下数据集，涵盖了从海洋、咸水到水族馆等多种复杂水域环境，为研究人员提供了一个统一的评估平台。通过COCO风格的标注，FishDet-M支持边界框和分割掩码的检测任务，使得跨域评估更加一致和可扩展。

解决学术问题

FishDet-M解决了水下鱼类检测中因数据集碎片化、成像条件异质性和评估协议不一致而导致的模型泛化能力受限问题。通过系统性地评估28种当代目标检测模型（包括YOLOv8至YOLOv12系列、R-CNN和DETR等），该数据集为研究者提供了标准化的性能指标（如mAP、mAP@50和mAP@75）以及推理效率分析。此外，其引入的基于CLIP的模型选择框架通过视觉-语言对齐动态选择最适合的检测器，为零样本场景下的实时应用提供了高效解决方案。

实际应用

在实际应用中，FishDet-M被广泛用于生态监测、水产养殖管理和海洋机器人导航。例如，在生态监测中，该数据集支持的模型能够准确识别和统计鱼类种群，为生物多样性研究提供数据支持。在水产养殖中，基于FishDet-M训练的模型可实现自动化鱼类计数和健康评估，显著提升生产效率。此外，海洋机器人利用该数据集优化的检测算法，能够在复杂水下环境中完成目标追踪和避障任务。

数据集最近研究

最新研究方向

近年来，FishDet-M数据集在水下计算机视觉领域引起了广泛关注，特别是在鱼类检测和生态监测方面。该数据集整合了13个公开可用的水下数据集，涵盖了从海洋、咸淡水到水族馆等多种水生环境，提供了超过29万条鱼类实例的标注，为研究者在复杂水下场景中的目标检测提供了统一的评估平台。前沿研究方向主要集中在利用深度学习模型（如YOLO系列、DETR和R-CNN）进行跨域鱼类检测，以及通过CLIP引导的模型选择框架实现动态适应性检测。这些研究不仅提升了检测精度，还优化了模型在实时应用中的效率，为水产养殖自动化、海洋生态监测和机器人感知提供了重要技术支持。

相关研究论文

• FishDet-M: A Unified Large-Scale Benchmark for Robust Fish Detection and CLIP-Guided Model Selection in Diverse Aquatic Visual Domains

  阿布扎比哈利法大学自主机器人系统中心 · 2025年