LoveDA
LoveDA 是一个专注于遥感土地覆盖的开源数据集与基准平台，发表于 NeurIPS 2021 会议。LoveDA 主要服务于域自适应语义分割任务，旨在解决遥感图像分析中因城乡地理环境差异导致的模型泛化难题。在传统场景中训练的模型往往难以直接适用于不同地域的影像，LoveDA 通过提供跨域数据，帮助算法更好地适应这种分布变化。
LoveDA 非常适合计算机视觉研究人员、遥感算法开发者以及高校学生使用。数据集包含 5987 张高分辨率（0.3 米）遥感影像，采集自南京、常州和武汉三地，重点对比了城市与乡村的不同地理环境。LoveDA 的技术亮点在于构建了多尺度目标、复杂背景样本及类别分布不一致三大挑战场景，真实反映了实际落地中的难点。
为了方便使用，LoveDA 已集成至 MMsegmentation 和 Torchgeo 等主流开源框架中，支持用户快速开展实验与性能评估。此外，项目还维护了相关的语义分割和无监督域适应竞赛排行榜，为学术界和工业界提供了公平的对比基准。如果你正在从事遥感图像解译或迁移学习研究，LoveDA 是一个值得参考的重要资源。
使用场景
某地理信息公司的算法团队正在构建全国范围的土地覆盖监测系统，需要模型能够同时高精度识别城市建筑群与乡村农田地块。
没有 LoveDA 时
- 城市数据训练的模型迁移到乡村场景后，因背景差异大，分割边界严重模糊。
- 面对不同地区的遥感影像，每次部署新区域都需要人工重新标注数千张样本，成本高昂。
- 遥感图像中道路与建筑尺度变化剧烈，传统数据集缺乏多尺度样本，导致小目标漏检率高。
- 类别分布不一致导致模型对稀有地物（如水域）识别能力弱，需反复调整权重。
使用 LoveDA 后
- 基于 LoveDA 的城乡域适应特性，模型跨场景泛化能力显著提升，无需微调即可适应新环境。
- 利用其 0.3 米高分辨率影像训练，直接复用模型部署，节省了 80% 的新区域标注人力。
- 数据集中丰富的多尺度物体样本，让模型在复杂背景下对道路和建筑的分割更加精准。
- 一致的类别分布优化了训练过程，显著提升了水域等稀有地物的识别准确率。
LoveDA 通过提供高质量的跨域遥感数据，大幅降低了土地覆盖分析模型的适配成本与部署门槛。
运行环境要求
- 未说明
未说明
未说明
快速开始
LoveDA：用于域自适应语义分割的遥感土地覆盖数据集
作者：Junjue Wang, Zhuo Zheng, Ailong Ma, Xiaoyan Lu, 和 Yanfei Zhong
[论文],
[视频],
[数据集],
[BibTeX],
[排行榜 - 语义分割],
[排行榜 - 无监督域自适应]
新闻动态
2026/01/22, 我们将评估平台迁移至 LoveDA 语义分割挑战, LoveDA 无监督域自适应挑战。
2026/01/08, 我们在 EarthVL 数据集中将 LoveDA 的范围从中国扩展到了全球尺度。
2024/05/12, 新版 LoveDA 数据集已在 EarthVQA 数据集中发布。
2021/12/13, HRNet 的预训练权重链接已更新。
2021/12/10, LoveDA 已被收录进 Torchgeo。
2021/11/30, 竞赛已迁移至新服务器： LoveDA 语义分割挑战, LoveDA 无监督域自适应挑战。
2021/11/11, LoveDA 已被收录进 MMsegmentation。 🔥🔥 语义分割任务可遵循 dataset_prepare.md 进行准备。🔥🔥
亮点
- 5987 张来自南京、常州和武汉的高空间分辨率 (0.3 m) 遥感图像
- 聚焦于城市与乡村之间不同的地理环境
- 推动语义分割和域自适应任务的发展
- 三个显著挑战：
- 多尺度目标
- 复杂背景样本
- 不一致的类别分布
引用
如果您在研究中使用 LoveDA，请引用我们的 NeurIPS2021 论文。
@inproceedings{NEURIPS DATASETS AND BENCHMARKS2021_4e732ced,
author = {Wang, Junjue and Zheng, Zhuo and Ma, Ailong and Lu, Xiaoyan and Zhong, Yanfei},
booktitle = {Proceedings of the Neural Information Processing Systems Track on Datasets and Benchmarks},
editor = {J. Vanschoren and S. Yeung},
pages = {},
publisher = {Curran Associates, Inc.},
title = {LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation},
url = {https://datasets-benchmarks-proceedings.neurips.cc/paper_files/paper/2021/file/4e732ced3463d06de0ca9a15b6153677-Paper-round2.pdf},
volume = {1},
year = {2021}
}
@dataset{junjue_wang_2021_5706578,
author={Junjue Wang and Zhuo Zheng and Ailong Ma and Xiaoyan Lu and Yanfei Zhong},
title={Love{DA}: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation},
month=oct,
year=2021,
publisher={Zenodo},
doi={10.5281/zenodo.5706578},
url={https://doi.org/10.5281/zenodo.5706578}
}
数据集与竞赛
LoveDA 数据集发布在 Zenodo 和 百度网盘 提取码：27vc
您可以在训练集和验证集上开发您的模型。
类别标签：背景 – 1, 建筑物 – 2, 道路 – 3, 水体 – 4, 裸地 – 5, 森林 – 6, 农业用地 – 7。无数据区域被分配为 0，应被忽略。提供的数据加载器将帮助您构建流程。
在 LoveDA 语义分割挑战, LoveDA 无监督域自适应挑战 提交您的测试结果。 您将顺利获得测试分数。
欢迎设计您自己的模型，我们期待您的精彩结果！
许可证
数据及数据版权的所有者是 RSIDEA, 武汉大学。 使用 Google Earth 图像必须遵守 "Google Earth" 使用条款。 LoveDA 中的所有图像及其相关注释仅可用于学术目的， 但禁止任何商业用途。
Star 历史
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。