[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-milleniums--High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch":3,"tool-milleniums--High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":73,"owner_company":75,"owner_location":76,"owner_email":73,"owner_twitter":73,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":73,"difficulty_score":87,"env_os":88,"env_gpu":89,"env_ram":88,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":106},9056,"milleniums\u002FHigh-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch","High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch","PyTorch实现高分遥感语义分割（地物分类）","High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 是一个基于 PyTorch 框架开发的开源项目，专注于高分辨率遥感图像的语义分割（即地物分类）。它旨在解决从卫星或航空影像中自动、精准识别建筑物、道路、植被等地理要素的难题，将复杂的图像像素转化为具有明确语义信息的分类地图，从而高效分析地表覆盖现状。\n\n该项目非常适合遥感领域的研究人员、算法工程师以及计算机视觉开发者使用。无论是进行学术研究、参加相关数据竞赛，还是开发实际的地理信息分析应用，它都提供了坚实的代码基础。其技术亮点在于不仅实现了主流分割算法，还集成了膨胀预测、后处理优化以及基于伪标签的半监督学习方法，有效提升了模型在标注数据有限场景下的表现。此外，项目原生支持 TensorBoard 可视化，让用户能直观监控训练指标并对比原始图像、真实标签与预测结果，极大地便利了模型调试与效果评估。配合项目中分享的多个权威竞赛数据集资源，它能帮助用户快速上手，深入探索遥感智能解译的前沿技术。","# High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch\n遥感也许还不能预测未来，但它一定会告诉你过去和现在，以及一步步见证着未来。\n\n## Update soon：\n   - [x] 膨胀预测\n   - [x] 后处理\n   - [x] 半监督方法：伪标签\n   - [x] 加入tensorboardX可视化输出\n\n\n## TODO:\n   - [ ] 总结训练步骤、技巧\n   - [ ] 分享预训练模型\n\n\n## 教研室项目预测图展示\n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_e0d20ef95a6d.png)\n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_5acc949366fb.png)\n\n\n## 使用TensorBoard查看各项指标以及可视化（img, GT, Pre）\n   - 本地：\n   \n    tensorboard --logdir=\u003Cyour_log_dir>\n   - 服务器：\n    \n    #首先使用ssh登陆服务器并转发端口:\n    ssh -L 6006:127.0.0.1:6006 远程服务器用户名@远程服务器Ip\n    (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)\n    \n    #在服务器上运行tensorboard:\n    tensorboard --logdir=\u003Cyour_log_dir>\n    \n    #在浏览器里输入:\n    远程服务器Ip:6006\n   - 各项指标样例\n   \n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_8fd9e3e11faf.png)\n   \n   - 可视化测试集样例（img, GT, Pre）\n   \n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_abf0babd46ce.png)\n\n    \n   \n## 数据分享\n\n- **场景分类**\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1NFvL8KV4pRwumBah05GG8A  密码:x5k0\n    \n- **变化检测**\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1u4WKF_rRysvc0tEnrYq0Sg  密码:4udm\n\n- **语义分割**\n    ##### [2019年县域农业大脑AI挑战赛](https:\u002F\u002Ftianchi.aliyun.com\u002Fcompetition\u002Fentrance\u002F231717\u002Finformation)\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1VXMLTCZM10quebX6Wf169w  密码:cmt7\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LiMjwotcnQus0HFntEiZog  密码:3obz\n    ##### [GID](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.05713)\n    [官方下载链接](https:\u002F\u002Fx-ytong.github.io\u002Fproject\u002FGID.html)\n    \n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LM6WX6zgihzIlY5OJWGEFA  密码:n8n0\n    \n    - 数据集信息\n    \n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_58fc28c26ec1.png)\n        \n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_0b66cbcc4edc.png)\n    \n    - 样例展示\n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_2bb8f227153e.jpg)\n\n\n## Reference\n\n    https:\u002F\u002Fgithub.com\u002Fkazuto1011\u002Fdeeplab-pytorch\n    https:\u002F\u002Fgithub.com\u002Ffregu856\u002Fdeeplabv3\n    https:\u002F\u002Fgithub.com\u002Fzijundeng\u002Fpytorch-semantic-segmentation\n    https:\u002F\u002Fgithub.com\u002Fjwyang\u002Fdcn.pytorch\n    https:\u002F\u002Fgithub.com\u002Flin-honghui\u002Ftianchi_CountyAgriculturalBrain_top1?spm=5176.12282029.0.0.278c1bb8nTiHfq\n\n\n## Contact\n    \n    author: hk\n    qq：3025531252\n    email: 3025531252@qq.com","# 高分辨率遥感语义分割-PyTorch\n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。\n\n## 即将更新：\n   - [x] 膨胀预测\n   - [x] 后处理\n   - [x] 半监督方法：伪标签\n   - [x] 加入tensorboardX可视化输出\n\n\n## 待办事项：\n   - [ ] 总结训练步骤、技巧\n   - [ ] 分享预训练模型\n\n\n## 教研室项目预测图展示\n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_e0d20ef95a6d.png)\n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_5acc949366fb.png)\n\n\n## 使用TensorBoard查看各项指标以及可视化（img, GT, Pre）\n   - 本地：\n   \n    tensorboard --logdir=\u003Cyour_log_dir>\n   - 服务器：\n    \n    #首先使用ssh登陆服务器并转发端口:\n    ssh -L 6006:127.0.0.1:6006 远程服务器用户名@远程服务器Ip\n    (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)\n    \n    #在服务器上运行tensorboard:\n    tensorboard --logdir=\u003Cyour_log_dir>\n    \n    #在浏览器里输入:\n    远程服务器Ip:6006\n   - 各项指标样例\n   \n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_8fd9e3e11faf.png)\n   \n   - 可视化测试集样例（img, GT, Pre）\n   \n   ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_abf0babd46ce.png)\n\n    \n   \n## 数据分享\n\n- **场景分类**\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1NFvL8KV4pRwumBah05GG8A  密码:x5k0\n    \n- **变化检测**\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1u4WKF_rRysvc0tEnrYq0Sg  密码:4udm\n\n- **语义分割**\n    ##### [2019年县域农业大脑AI挑战赛](https:\u002F\u002Ftianchi.aliyun.com\u002Fcompetition\u002Fentrance\u002F231717\u002Finformation)\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1VXMLTCZM10quebX6Wf169w  密码:cmt7\n    ##### 2019年遥感图像稀疏表征智能分析竞赛\n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LiMjwotcnQus0HFntEiZog  密码:3obz\n    ##### [GID](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.05713)\n    [官方下载链接](https:\u002F\u002Fx-ytong.github.io\u002Fproject\u002FGID.html)\n    \n    百度网盘 链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LM6WX6zgihzIlY5OJWGEFA  密码:n8n0\n    \n    - 数据集信息\n    \n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_58fc28c26ec1.png)\n        \n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_0b66cbcc4edc.png)\n    \n    - 样例展示\n        ![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_readme_2bb8f227153e.jpg)\n\n\n## 参考文献\n\n    https:\u002F\u002Fgithub.com\u002Fkazuto1011\u002Fdeeplab-pytorch\n    https:\u002F\u002Fgithub.com\u002Ffregu856\u002Fdeeplabv3\n    https:\u002F\u002Fgithub.com\u002Fzijundeng\u002Fpytorch-semantic-segmentation\n    https:\u002F\u002Fgithub.com\u002Fjwyang\u002Fdcn.pytorch\n    https:\u002F\u002Fgithub.com\u002Flin-honghui\u002Ftianchi_CountyAgriculturalBrain_top1?spm=5176.12282029.0.0.278c1bb8nTiHfq\n\n\n## 联系方式\n    \n    作者: hk\n    qq：3025531252\n    邮箱: 3025531252@qq.com","# High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 快速上手指南\n\n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。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+) 或 Windows (需配置 WSL2 或原生 CUDA 支持)\n*   **Python**: 3.6 - 3.8 (建议 3.7)\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡 (显存建议 8GB 以上以处理高分辨率图像)\n*   **核心依赖**:\n    *   PyTorch (对应 CUDA 版本)\n    *   torchvision\n    *   tensorboardX (用于可视化)\n    *   opencv-python\n    *   numpy, PIL\n\n**前置依赖安装建议（使用国内镜像源加速）：**\n\n```bash\n# 创建虚拟环境 (可选但推荐)\nconda create -n rs_seg python=3.7\nconda activate rs_seg\n\n# 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)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装其他必要依赖\npip install tensorboardX opencv-python numpy pillow scipy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 2. 安装步骤\n\n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。\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkazuto1011\u002Fdeeplab-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\n    # 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\n    cd High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch\n    ```\n\n2.  **准备数据集**\n    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）。\n    \n    *   **语义分割数据集示例 (GID)**:\n        *   百度网盘链接：`https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LM6WX6zgihzIlY5OJWGEFA` (密码: n8n0)\n        *   官方链接：`https:\u002F\u002Fx-ytong.github.io\u002Fproject\u002FGID.html`\n    \n    下载完成后，将数据解压至项目目录下的 `data\u002F` 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。\n\n3.  **配置参数**\n    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：\n    *   `data_root`: 数据集根目录\n    *   `log_dir`: TensorBoard 日志输出目录\n\n## 3. 基本使用\n\n本项目支持训练、预测及 TensorBoard 可视化。以下是核心操作流程。\n\n### 3.1 启动训练\n在项目根目录下运行训练脚本（具体脚本名请参考项目 `scripts\u002F` 目录或主入口文件，通常为 `train.py`）：\n\n```bash\npython train.py --config configs\u002Fyour_config.yaml\n```\n*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`。*\n\n### 3.2 查看可视化指标 (TensorBoard)\n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）。\n\n**本地运行：**\n```bash\ntensorboard --logdir=\u003Cyour_log_dir>\n```\n然后在浏览器访问 `http:\u002F\u002Flocalhost:6006`。\n\n**服务器远程运行：**\n若在远程服务器训练，需通过 SSH 端口转发：\n\n1.  **本地终端执行端口转发**：\n    ```bash\n    ssh -L 6006:127.0.0.1:6006 远程服务器用户名@远程服务器 Ip\n    ```\n2.  **服务器终端启动 TensorBoard**：\n    ```bash\n    tensorboard --logdir=\u003Cyour_log_dir>\n    ```\n3.  **本地浏览器访问**：\n    输入 `http:\u002F\u002Flocalhost:6006` 或 `远程服务器 Ip:6006` (取决于 SSH 配置)。\n\n### 3.3 推理与后处理\n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：\n\n```bash\npython test.py --config configs\u002Fyour_config.yaml --weights path\u002Fto\u002Fbest_model.pth\n```\n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\u002Fpost_process\u002Fvis.png`。","某省级自然资源监测中心的技术团队正利用卫星影像对全省耕地分布进行季度性自动化清查与分类统计。\n\n### 没有 High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 时\n- **模型复现困难**：团队需从零搭建高分辨率遥感分割网络，反复调试深度学习框架底层代码，耗时数周仍难以收敛。\n- **结果粗糙不可用**：原始预测图充满噪点且地物边界模糊，缺乏有效的膨胀预测与后处理机制，无法直接用于面积测算。\n- **标注成本高昂**：面对海量未标注影像，完全依赖人工勾画训练数据，导致项目进度严重滞后且预算超支。\n- **调优过程黑盒**：缺乏直观的可视化手段，工程师只能盲目调整超参数，难以定位是模型结构问题还是数据预处理失误。\n\n### 使用 High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch 后\n- **快速部署基线**：直接调用基于 PyTorch 的成熟实现，内置多种主流分割架构，将模型搭建与训练周期从数周缩短至几天。\n- **输出精准可用**：利用工具自带的膨胀预测和后处理模块，显著平滑了地块边缘并消除了细碎噪点，分类图可直接导入 GIS 系统统计面积。\n- **降低数据门槛**：启用集成的半监督伪标签功能，有效利用大量无标签影像辅助训练，在减少 60% 人工标注工作量的同时提升了模型泛化能力。\n- **监控透明高效**：通过 TensorBoardX 实时对比原图、真值与预测结果，直观观察各项指标变化，让模型调优过程有据可依。\n\n该工具通过提供从算法实现、半监督优化到可视化监控的一站式解决方案，将高分遥感地物分类的开发效率提升了数倍，让技术团队能专注于业务逻辑而非底层代码重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilleniums_High-Resolution-Remote-Sensing-Semantic-Segmentation-PyTorch_e0d20ef9.png","milleniums",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmilleniums_b5cfc7a7.jpg","电子科技大学","成都","https:\u002F\u002Fmilleniums.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fmilleniums",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,536,85,"2026-03-28T12:06:04",4,"未说明","未说明（基于 PyTorch 的遥感语义分割通常建议配备 NVIDIA GPU，具体显存需求取决于模型和图像分辨率）",{"notes":91,"python":88,"dependencies":92},"该项目主要用于高分辨率遥感图像语义分割。README 中未列出具体的环境配置清单（如 requirements.txt），仅提及使用 PyTorch 框架及 tensorboardX 进行可视化。用户需自行安装 PyTorch 及相关深度学习依赖。项目包含膨胀预测、后处理及半监督伪标签等功能。数据集可通过提供的百度网盘链接或官方链接获取。",[93,94],"PyTorch","tensorboardX",[16,14,15],[97,98,99,100,101,102],"remote-sensing","dataset","land-cover-classification","semantic-segmentation","deeplabv3","pytorch","2026-03-27T02:49:30.150509","2026-04-18T22:31:47.164975",[],[]]