高分辨率遥感语义分割-PyTorch

遥感或许还无法预测未来，但它一定能告诉你过去和现在，并一步步见证着未来。

即将更新：

• 膨胀预测
• 后处理
• 半监督方法：伪标签
• 加入tensorboardX可视化输出

待办事项：

• 总结训练步骤、技巧
• 分享预训练模型

教研室项目预测图展示

使用TensorBoard查看各项指标以及可视化（img, GT, Pre）

• 本地：

tensorboard --logdir=<your_log_dir>

• 服务器：

#首先使用ssh登陆服务器并转发端口:
ssh -L 6006:127.0.0.1:6006 远程服务器用户名@远程服务器Ip
(ssh -L 本地端口:本地IP:远程端口 远程服务器用户名@远程服务器Ip)

#在服务器上运行tensorboard:
tensorboard --logdir=<your_log_dir>

#在浏览器里输入:
远程服务器Ip:6006

• 各项指标样例

• 可视化测试集样例（img, GT, Pre）

数据分享

• 场景分类

  2019年遥感图像稀疏表征智能分析竞赛

  百度网盘 链接:https://pan.baidu.com/s/1NFvL8KV4pRwumBah05GG8A 密码:x5k0

• 变化检测

  2019年遥感图像稀疏表征智能分析竞赛

  百度网盘 链接:https://pan.baidu.com/s/1u4WKF_rRysvc0tEnrYq0Sg 密码:4udm

• 语义分割

  2019年县域农业大脑AI挑战赛

  百度网盘 链接:https://pan.baidu.com/s/1VXMLTCZM10quebX6Wf169w 密码:cmt7

  2019年遥感图像稀疏表征智能分析竞赛

  百度网盘 链接:https://pan.baidu.com/s/1LiMjwotcnQus0HFntEiZog 密码:3obz

  GID

  官方下载链接

  百度网盘 链接:https://pan.baidu.com/s/1LM6WX6zgihzIlY5OJWGEFA 密码:n8n0

  • 数据集信息

    

    

  • 样例展示

参考文献

https://github.com/kazuto1011/deeplab-pytorch
https://github.com/fregu856/deeplabv3
https://github.com/zijundeng/pytorch-semantic-segmentation
https://github.com/jwyang/dcn.pytorch
https://github.com/lin-honghui/tianchi_CountyAgriculturalBrain_top1?spm=5176.12282029.0.0.278c1bb8nTiHfq

联系方式

作者: hk
qq：3025531252
邮箱: 3025531252@qq.com

High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 快速上手指南

本指南旨在帮助开发者快速搭建基于 PyTorch 的高分辨率遥感语义分割环境，并运行基础训练与可视化流程。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04+) 或 Windows (需配置 WSL2 或原生 CUDA 支持)
• Python: 3.6 - 3.8 (建议 3.7)
• GPU: 支持 CUDA 的 NVIDIA 显卡 (显存建议 8GB 以上以处理高分辨率图像)
• 核心依赖:
  • PyTorch (对应 CUDA 版本)
  • torchvision
  • tensorboardX (用于可视化)
  • opencv-python
  • numpy, PIL

前置依赖安装建议（使用国内镜像源加速）：

# 创建虚拟环境 (可选但推荐)
conda create -n rs_seg python=3.7
conda activate rs_seg

# 安装 PyTorch (根据实际 CUDA 版本选择，此处以 CUDA 11.1 为例，使用清华源)
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他必要依赖
pip install tensorboardX opencv-python numpy pillow scipy -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装步骤

本项目为开源代码库，无需复杂的编译安装，克隆仓库并配置数据路径即可。

1. 克隆项目代码

   git clone https://github.com/kazuto1011/deeplab-pytorch.git # 注意：原 README 引用了多个参考库，请确保克隆当前目标仓库
   # 假设当前仓库地址为项目主页提供的地址，若未提供具体 git 地址，请手动下载代码包解压
   cd High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch
   

2. 准备数据集 根据 README 中的“数据分享”部分，下载所需的遥感数据集（如 GID、天池农业大脑等）。

   • 语义分割数据集示例 (GID):
     • 百度网盘链接：https://pan.baidu.com/s/1LM6WX6zgihzIlY5OJWGEFA (密码: n8n0)
     • 官方链接：https://x-ytong.github.io/project/GID.html

   下载完成后，将数据解压至项目目录下的 data/ 文件夹，或根据您的配置文件修改数据路径。典型的目录结构应包含 images (原始图), labels (标注图) 等。

3. 配置参数 检查项目中的配置文件（通常为 .yaml 或 .py 形式的 config 文件），确保以下路径正确：

   • data_root: 数据集根目录
   • log_dir: TensorBoard 日志输出目录

3. 基本使用

本项目支持训练、预测及 TensorBoard 可视化。以下是核心操作流程。

3.1 启动训练

在项目根目录下运行训练脚本（具体脚本名请参考项目 scripts/ 目录或主入口文件，通常为 train.py）：

python train.py --config configs/your_config.yaml

注：训练过程中会自动记录 Loss、mIoU 等指标及预测结果到指定的 log_dir。

3.2 查看可视化指标 (TensorBoard)

项目集成了 tensorboardX，可实时查看训练曲线及图像预览（原图、真值 GT、预测结果 Pre）。

本地运行：

tensorboard --logdir=<your_log_dir>

然后在浏览器访问 http://localhost:6006。

服务器远程运行： 若在远程服务器训练，需通过 SSH 端口转发：

1. 本地终端执行端口转发：

   ssh -L 6006:127.0.0.1:6006 远程服务器用户名@远程服务器 Ip
   

2. 服务器终端启动 TensorBoard：

   tensorboard --logdir=<your_log_dir>
   

3. 本地浏览器访问： 输入 http://localhost:6006 或 远程服务器 Ip:6006 (取决于 SSH 配置)。

3.3 推理与后处理

项目已包含膨胀预测和后处理模块。运行预测脚本生成结果图：

python test.py --config configs/your_config.yaml --weights path/to/best_model.pth

生成的预测图将保存在输出目录，包含经过后处理（如融合、膨胀）的最终结果，效果可参考项目中的 tools/post_process/vis.png。