Project 04 / Real Data Pipeline

FAIR-CSAR 真实散焦舰船数据集与 YOLOv8_CBAM 流程

这一页展示主页没有讲透的真实数据工程：从 FAIR-CSAR 复数 SLC 样本出发，经过候选筛选、三通道特征生成、运动线索评分、人工复核状态、YOLO 数据集切片、YOLOv8_CBAM 训练和级联推理，最后用测试与报告检查数据质量。

回到项目区回到第一个项目

结果快照

Scenes1406

当前纳入真实场景总量。

Candidate Boxes3508

候选框总量，覆盖 static / moving ship。

Auto Labeled772

可自动进入标注流程的 moving_ship 样本。

Missing0

missing assets / annotations 检查为 0。

这个项目的价值在数据生产链：把真实 SAR 研究数据拆成可筛选、可复核、可训练、可检查的工程流程。

工程总览

FAIR Sample Resolverfair_csar.py 解析 SLC、PNG、XML、DOTA 标注和元数据。

Candidate Screeningcandidate_screening.py 规范候选框、manifest 和 assets 路径。

Feature Channelsfeatures.py 生成 SAR / TFD / RID / fusion RGB。

Motion Cues & Reviewmotion_cues.py 与 annotate_real_dataset.py 组织自动预填和人工复核。

YOLO Dataset & Trainingyolo_dataset.py、prepare_fair_yolo_dataset.py、train_fusion_cbam.py 接入检测训练。

src/fair_csar.py真实样本解析FairSample、target_for_class、parse_dota_annotations、resolve_fair_paths、iter_fair_samples。

src/features.py三通道特征生成load_complex_mat、inverse_azimuth_filter、tfd_energy_projection、rid_instantaneous_doppler、convert_fair_dataset。

src/motion_cues.py运动线索评分split_azimuth_subapertures、score_box_motion、build_prefilled_boxes、generate_scene_motion_cues。

tests/test_*.py质量回归覆盖 annotation、candidate screening、features、motion cues、YOLO dataset、project checks。

脚本职责

模块	关键对象 / 函数	职责
fair_csar.py	FairSample / iter_fair_samples	把 FAIR 根目录中的图像、复数数据、标注和元数据组织成样本对象。
candidate_screening.py	FairAssets / CandidateBox	规范候选框结构，写入 prediction json 和 manifest。
annotation_dataset.py	AnnotationBox	读写 YOLO 标签、annotation_state、candidate boxes。
features.py	FeatureChannels	生成 SAR 空间强度、TFD 时频能量、RID 方位相位差通道。
motion_cues.py	MotionCueConfig / SubapertureImages	生成子孔径图像、估计位移和运动评分。
yolo_dataset.py	build_yolo_dataset	切片、堆叠三通道图像、转换 labels、生成 YOLO 数据集。

src/defocused_ship_detection_real
  fair_csar.py
  candidate_screening.py
  fair_positive_candidates.py
  features.py
  motion_cues.py
  annotation_dataset.py
  yolo_dataset.py
  project_checks.py

build_fair_ship_positive_candidates.py构建正样本候选从 FAIR 标注和粗检结果中生成候选数据集。

build_selected_fair_label_candidates.py筛选标注候选整理 selected candidates，清理输出目录，准备复核。

generate_fair_features.py生成特征通道批量转换 SLC 为 SAR / TFD / RID / fusion 图像。

prepare_annotation_scenes.py准备标注场景把图像、候选框、状态文件组织到 annotation scenes。

generate_motion_cues.py生成运动线索为复核界面预填 static/moving 判断辅助信息。

annotate_real_dataset.py人工复核界面AnnotationApp 支持跳转、加载状态、编辑框、保存标签。

检查项	数量 / 比例	意义
PNG 与标注文件	11959	图像与标注产物规模。
Manifest rows	9815	候选筛选样本清单。
Fair positive images	6998	可用于正样本构建的图像。
GT boxes	29713	最终标注框数量。
Prediction boxes	33687	候选预测框数量。
screen recall / precision	84.51% / 60.25%	候选筛选覆盖率与冗余度。

project_checks.pyvalidate_yolo_data_config 与 validate_fair_root 检查数据配置和 FAIR 根目录。
0 missing JSON预测 JSON 文件检查无缺失。
0 duplicates唯一样本名检查未发现重复。
9 个测试文件覆盖核心数据结构、特征、运动线索、YOLO 数据集和工具脚本。

prepare_fair_yolo_dataset.pyYOLO 数据集入口调用 build_yolo_dataset，生成 images、labels、splits 和 data.yaml。

train_fusion_cbam.py融合特征训练接入 YOLOv8_CBAM，用三通道融合图训练检测器。

run_cascade.py级联推理先粗检，再用 center_in_expanded_box 对 fine box 和 coarse box 做关联过滤。

datasets/FAIR_CSAR_ship_Real_Annotation outputs/reports/fair_csar_initial_screening_eval.json tools/yolo11n.pt static_ship / moving_ship SAR / TFD / RID

数据生产链路

真实数据读取resolve_fair_paths 定位复数 SLC、PNG、XML、DOTA 标注。
候选筛选CandidateBox 写入 prediction JSON 与 manifest。
特征生成FeatureChannels 生成 SAR / TFD / RID / fusion RGB。
运动评分子孔径差异、相关性和位移辅助 static/moving 判断。
标注复核AnnotationApp 编辑框、保存 annotation_state 和 labels。
训练入口YOLO 切片数据集进入 train_fusion_cbam 和 run_cascade。

可视化证据

FAIR-CSAR 三通道融合输入 — **三通道融合输入**SAR、TFD、RID 被组织成模型可读取的视觉输入。

FAIR-CSAR RID 通道图 — **RID 通道**用于表达方位相位差/多普勒响应。

FAIR-CSAR 子孔径差异图 — **子孔径差异**帮助区分静止船与运动船的散焦响应。