Однажды весной 2026 года группа исследователей из трёх китайских университетов арендовала рыболовецкое судно Furui 688, установила на него камеру DN20 и отправилась плавать вокруг островов Чжоушань. За три месяца они сделали более ста тысяч фотографий кораблей в тумане, дожде, ночью и при ярком солнечном блике. Результат — WUTDet, датасет на 100 576 изображений с 381 378 размеченными судами. Это не просто набор картинок. Это фундамент, на котором строятся системы компьютерного зрения для морской безопасности, логистики и — неизбежно — военных беспилотников.

Что такое WUTDet и почему его собирали с лодки

WUTDet — это датасет для обнаружения кораблей, созданный совместно Уханьским политехническим университетом, Хуачжунским университетом науки и технологий и Тяньцзиньским университетом. Название расшифровывается просто: Wuhan University of Technology Detection. Но в отличие от большинства подобных наборов данных, которые собирают из спутниковых снимков или портовых камер наблюдения, WUTDet создан с борта реального судна, движущегося по реальному маршруту.

Камера DN20, установленная на Furui 688, представляет собой морскую фотоэлектрическую систему доказательств — по сути, промышленную камеру, приспособленную для суровых морских условий. Она подключена к сетевому видеорегистратору Hikvision, который записывает поток в высоком разрешении. Изображения в датасете варьируются от 1920×1080 до 2560×1440 пикселей, что даёт достаточную детализацию для обнаружения даже небольших объектов на значительном расстоянии.

Сбор данных с движущейся платформы принципиально отличается от статичных камер. Когда судно идёт, угол обзора меняется, расстояние до цели варьируется, а волны создают постоянную вибрацию и смещение кадра. Это делает датасет значительно сложнее и ценнее для обучения моделей, которые будут работать в реальных условиях — например, на борту беспилотных катеров или дронов.

Состав датасета: от гигантских танкеров до мелких лодок

100 576 изображений содержат 381 378 экземпляров кораблей — в среднем около четырёх судов на кадр. Это говорит о плотности морского трафика в районе Чжоушань, одном из крупнейших портовых узлов Китая. Датасет включает суда в разных состояниях: стоящие на якоре, пришвартованные у причалов, идущие по фарватеру, маневрирующие в порту. Также учтены разнообразные погодные условия — туман, дождь, низкая освещённость, яркие блики на воде.

Ключевая особенность WUTDet — акцент на мелких и плотно расположенных объектах. В морской среде корабли часто группируются: порты, якорные стоянки, конвои. Стандартные датасеты часто содержат крупные изолированные объекты, что не отражает реальную сложность задачи. WUTDet специально ориентирован на dense small object detection — обнаружение множества мелких целей, перекрывающих друг друга, что является одной из самых сложных задач в компьютерном зрении.

Разметка включает ограничивающие рамки (bounding boxes) для каждого судна, а также категориальные метки, позволяющие различать типы кораблей. Это открывает возможности не только для детекции, но и для классификации — отличие грузового судна от рыболовецкого или военного катера может иметь критическое значение в зависимости от применения.

Почему обнаружение кораблей — это сложная задача для ИИ

На первый взгляд, найти корабль на фотографии — тривиальная задача. Корабль большой, контрастный, на фоне воды. Но реальность морской среды создаёт уникальные вызовы, которых нет в наземном компьютерном зрении.

Первая проблема — масштаб. Один и тот же корабль может занимать почти весь кадр, если съёмка ведётся с близкого расстояния, или превращаться в горстку пикселей, если снят с дрона на высоте нескольких сотен метров. Модель должна уверенно обнаруживать объект в обоих случаях, а это требует архитектуры, способной работать с разными масштабами одновременно.

Вторая проблема — фон. Вода неоднородна: волны создают текстуру, которая визуально похожа на контуры судна; блики солнца дают яркие пятна, которые алгоритм может принять за белую надстройку; пена и брызги создают шум, маскирующий границы объекта. В отличие от дорог или зданий, где фон относительно предсказуем, морская поверхность постоянно меняется.

Третья проблема — погодные условия. Туман снижает видимость и контрастность, дождь создаёт вертикальные полосы на изображении, ночная съёмка требует инфракрасных камер или длинных выдержек, которые дают смазывание. WUTDet специально включает все эти сценарии, чтобы модели, обученные на нём, были устойчивы к реальным условиям эксплуатации.

Четвёртая проблема — плотность объектов. В порту или на якорной стоянке десятки судов стоят близко друг к другу, перекрываясь и создавая визуальный хаос. Модель должна не просто найти «корабль», а разделить индивидуальные экземпляры, что требует понимания контекста и пространственных отношений между объектами.

Пятая проблема — скорость обработки. Системы на борту беспилотного катера или дрона должны работать в реальном времени: задержка в несколько секунд между обнаружением цели и реакцией может означать промах или столкновение. Это означает, что модель должна быть не только точной, но и лёгкой — способной работать на встроенных вычислителях с ограниченной памятью и энергопотреблением. WUTDet, благодаря разнообразию масштабов и условий, позволяет исследователям искать компромисс между точностью и скоростью, тестируя разные архитектуры на реалистичных сценариях.

От мирной логистики до беспилотных катеров

Прямое и очевидное применение WUTDet — автоматизация портов и морской логистики. Камеры на причалах и маяках, обученные на этом датасете, могут автоматически отслеживать движение судов, контролировать соблюдение маршрутов, выявлять несанкционированное якорение или опасное маневрирование. Это снижает нагрузку на диспетчеров и повышает безопасность морского движения в районах с плотным трафиком.

Но контекст, в котором появился этот датасет, намекает и на другие применения. Конфликт в Украине продемонстрировал, что морские и речные беспилотные системы становятся серьёзным фактором в современной войне. Украинские безэкипажные катера Sea Baby и Magura успешно атаковали российские корабли в Чёрном море, используя бортовые системы наведения и компьютерное зрение для поиска целей. Эти системы нуждаются в точных и устойчивых моделях детекции, обученных на реальных морских сценариях.

Китай, имеющий один из крупнейших военно-морских флотов в мире и активно развивающий беспилотные надводные аппараты, заинтересован в создании робастных систем обнаружения для своих платформ. WUTDet предоставляет фундамент для обучения таких систем — не только для распознавания «корабль / не корабль», но и для классификации типов судов, оценки их состояния и определения тактической значимости.

Важно подчеркнуть, что сам датасет — открытый научный ресурс. Его публикуют университеты, а не военные ведомства. Но технологии компьютерного зрения, как и большинство фундаментальных ИИ-разработок, имеют двойное применение: инструмент для повышения эффективности портовой логистики сегодня может стать компонентом системы наведения беспилотного катера завтра. Это не уникальность WUTDet — это общая дилемма всей области машинного обучения.

Такой дуализм проявляется повсюду: датасеты лиц, собранные для разблокировки смартфонов, используются в системах слежения; модели сегментации дорог, обученные для беспилотных автомобилей, помогают военным беспилотникам ориентироваться в местности; алгоритмы распознавания речи, созданные для голосовых помощников, применяются в системах перехвата коммуникаций. WUTDet не исключение — он часть общей картины, где граница между гражданским и военным применением ИИ размыта настолько, что говорить о чисто мирном или чисто военном использовании становится бессмысленно.

Как WUTDet сравнивается с другими морскими датасетами

До появления WUTDet основными наборами данных для обнаружения кораблей были HRSC2016, DOTA и NWPU VHR-10. Но у каждого из них есть ограничения. HRSC2016 содержит всего около тысячи изображений и фокусируется на высоком разрешении спутниковых снимков. DOTA — большой датасет для обнаружения объектов на аэрофотоснимках, но корабли составляют лишь одну из множества категорий. NWPU VHR-10 тоже ориентирован на спутниковую съёмку и содержит ограниченное число морских сцен.

WUTDet отличается в нескольких ключевых аспектах. Во-первых, масштаб — 100 576 изображений делают его одним из крупнейших специализированных датасетов для морской детекции. Во-вторых, разнообразие условий съёмки: данные собраны в разное время суток, при разной погоде, с разных расстояний и углов. В-третьих, плотность объектов: среднее число кораблей на изображение значительно выше, чем в конкурирующих наборах, что делает WUTDet более репрезентативным для реальных сценариев.

Кроме того, WUTDet — один из немногих датасетов, собранных с борта движущегося судна. Большинство существующих наборов используют статичные камеры на берегу или спутниковые снимки. Перспектива с движущейся платформы добавляет сложности — параллакс, движение фона, изменение масштаба — но и повышает практическую ценность для систем, которые будут работать на борту беспилотных аппаратов.

Что это значит для развития компьютерного зрения

Появление WUTDet отражает более широкий тренд: специализированные датасеты для специфических сред всё чаще превосходят универсальные наборы вроде COCO или ImageNet на узких задачах. Универсальные датасеты хороши для обучения базовых представлений, но когда речь заходит о конкретной среде — будь то море, лес, городская улица или производственный цех — доменно-специфичные данные дают существенно лучшие результаты.

Это имеет важное следствие для индустрии: лидерство в прикладном ИИ всё больше определяется не только архитектурой моделей, но и качеством данных, на которых их обучают. Страна или компания, которая контролирует уникальные датасеты для критически важных сценариев, получает преимущество в разработке систем для этих сценариев. WUTDet — пример того, как академические исследования создают стратегически значимый ресурс.

Для сообщества исследователей WUTDet предоставляет новый бенчмарк для тестирования алгоритмов детекции мелких плотно расположенных объектов. Это классическая проблема, для которой до сих пор не найдено универсального решения. Датасеты вроде WUTDet позволяют количественно сравнивать подходы и отслеживать прогресс — а значит, ускоряют развитие всей области.

Ещё один важный аспект — интернационализация исследований. До недавнего времени крупнейшие датасеты для морской детекции создавались преимущественно западными институтами и фокусировались на европейских или североамериканских акваториях. WUTDet добавляет в микс китайскую локацию с её специфическими типами судов, архитектурой портов и климатическими условиями. Это делает модели, обученные на комбинации западных и восточных данных, более универсальными и менее склонными к переобучению на локальные особенности.

FAQ

Может ли WUTDet использоваться для военных целей?

Как любой открытый датасет для компьютерного зрения, WUTDet может быть применён как в мирных, так и в военных системах. Создатели позиционируют его как научный ресурс для морской логистики и безопасности, но технологии обнаружения объектов не имеют встроенных ограничений на применение.

Почему данные собирали именно в районе Чжоушань?

Чжоушань — один из крупнейших портовых узлов Китая с интенсивным морским трафиком и разнообразными типами судов. Это обеспечивает высокую вариативность данных, необходимую для обучения робастных моделей. Кроме того, район доступен для исследовательских судов и имеет развитую инфраструктуру.

Как WUTDet поможет развитию беспилотных морских систем?

Беспилотные катера и дроны нуждаются в точных моделях компьютерного зрения для навигации, избегания столкновений и поиска целей. WUTDet предоставляет реалистичные данные для обучения таких моделей, включая сложные сценарии с плохой видимостью и плотным трафиком.

Итог

WUTDet — это больше, чем просто большой датасет. Это демонстрация того, как фундаментальные исследования в области компьютерного зрения переплетаются с геополитическими реалиями. Сбор данных с борта реального судна, акцент на сложных погодных условиях и плотных сценах — всё это создаёт ресурс, который будет востребован в самых разных приложениях: от автоматизации портов до навигации беспилотных аппаратов.

Для индустрии ИИ этот проект подчёркивает растущую важность доменно-специфичных данных. В эпоху, когда архитектуры нейросетей становятся стандартизированными, именно качество и специфичность обучающих данных определяют, чьи системы будут работать лучше в реальных условиях. Китайские исследователи, плававшие на Furui 688 вокруг Чжоушаня, создали не просто набор картинок — они заложили фундамент для следующего поколения морских ИИ-систем.