1.一种基于YOLO V5算法的船舶多目标追踪方法，其特征在于：包括以下步骤：S1，采集船舶图像数据，对采集到的所述船舶图像数据进行图像预处理，基于预处理完毕的图像构建数据集，将所述数据集划分为训练集、验证集和测试集；

S2，基于所述训练集和所述验证集，对YOLO V5网络进行训练，获得YOLO V5检测模型，基于所述测试集对所述YOLO V5检测模型进行测试，获得测试结果，基于所述测试结果对YOLO V5检测模型进行评价，评价合格后则结束测试；

S3，对所述YOLO V5检测模型进行处理，生成YOLO V5船舶追踪模型，基于所述YOLO V5船舶追踪模型对船舶进行追踪并进行实时性验证。

2.根据权利要求1所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S1中的船舶图像数据包括：从包括船舶相关图像数据的开源数据集；通过摄像头对船舶进行拍摄而获得的图像数据。

3.根据权利要求2所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述开源数据集包括但不限于：COCO数据集、VOC数据集和SeaShip船舶数据集。

4.根据权利要求3所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S1中的图像预处理的具体方法为：从采集的所述船舶图像数据中筛选出COCO数据集和VOC数据集中含有船舶的图片，对筛选出的图片、SeaShip船舶数据集及通过摄像头获取的图片进行标注并合并。

5.根据权利要求1所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述YOLO V5网络包括backbone部分、neck部分和prediction部分，在所述S2中，获得所述YOLO V5检测模型的方法具体为：

S2.1，将训练集中的图像进行标准化预处理，并将预处理后的图像输入所述backbone部分，获得不同尺度的特征图；

S2.2，将所述不同尺度的特征图输入所述neck部分，进行上采样和特征融合后获得不同尺度的张量数据；

S2.3，将所述不同尺度的张量数据输入所述prediction部分，基于损失函数及反向传播对梯度进行计算，实时进行梯度更新并利用所述验证集进行验证，获得所述YOLO V5检测模型。

6.根据权利要求1所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S2中测评价合格的要求为：所述YOLO V5检测模型的所述测试结果的平均精度均值大于等于设定值。

7.根据权利要求1所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S3中对所述YOLO V5检测模型进行处理的方法具体为：采用DeepSort算法进行处理。

8.根据权利要求7所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S3中的方法：

S3.1，对所有待追踪目标进行检测，完成检测后构建DeepSort跟踪器，对所述YOLO V5船舶追踪模型输入带有船舶的视频帧并进行处理；

S3.2，处理完毕且第一帧视频图像输入所述YOLO V5船舶追踪模型后，将检测到的目标初始化并创建新的所述DeepSort跟踪器，标注ID；

S3.3，第一帧后的任一帧输入所述YOLO V5船舶追踪模型时，基于所述DeepSort算法，获得所有目标的状态预测和当前帧的所述检测框的交并比，并获得所述交并比的最大唯一匹配，作为目标检测框；

S3.4，基于置信度对所述检测框进行过滤，删除置信度不够高的检测框及特征，基于所述当前帧匹配到的所述目标检测框更新所述DeepSort跟踪器，计算状态更新，获得更新值并输出，将所述更新值作为所述当前帧的追踪框。

9.根据权利要求8所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S3.1中的处理方法为：初始化各个参数并去掉检测置信度小于0.7的检测框；通过非极大值抑制法去除检测中重叠的所述检测框并确认所述DeepSort追踪器的状态正常。

10.根据权利要求8所述的基于YOLO V5算法的船舶多目标追踪方法，其特征在于：所述S3.4中，若所述当前帧中没有匹配到的目标，则重新初始化所述DeepSort跟踪器。