遥感图像数据集 海陆遥感分割图像语义分割数据集 UNet、DeepLabV3框架处理

如何使用深度学习模型对海陆分割(sea-land)遥感图像进行语义分割

文章目录

  • 如何使用深度学习模型对海陆分割(sea-land)遥感图像进行语义分割
      • 1. 数据集准备
      • 2. 安装依赖库
      • 3. 自定义数据集类
      • 4. 模型定义与训练
        • 训练脚本
      • 5. 推理与结果可视化
        • 推理脚本
      • 6. 运行步骤总结

海陆分割sea-land遥感图像语义分割数据集

1

使用深度学习模型对海陆分割(sea-land)遥感图像进行语义分割,SMP框架集成了多种流行的架构(UNet、DeepLabV3等),并支持预训练权重和多种损失函数。

以下是详细的步骤、关键文件及代码示例来指导你完成从准备数据集到训练模型的整个流程。

1. 数据集准备

假设你的数据集结构如下:

sea_land_segmentation/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── ... │ ├── val/ │ │ ├── img1.jpg │ │ └── ... │ └── test/ │ ├── img1.jpg │ └── ... └── masks/ ├── train/ │ ├── img1.png │ └── ... ├── val/ │ ├── img1.png │ └── ... └── test/ ├── img1.png └── ... data_sea_land.yaml

data_sea_land.yaml文件内容示例:

train:./sea_land_segmentation/images/train/val:./sea_land_segmentation/images/val/nc:2# 类别数量:Sea 和 Landnames:['Sea','Land']

确保每个掩码图像(mask)是单通道的PNG图像,其中像素值代表类别ID(例如0代表Sea,1代表Land)。

2. 安装依赖库

确保安装了必要的库:

pipinstallsegmentation-models-pytorch albumentations opencv-python-headless torch torchvision

3. 自定义数据集类

编写一个自定义的数据集类来读取图像和对应的掩码。

importosimportcv2importnumpyasnpfromtorch.utils.dataimportDatasetclassSeaLandDataset(Dataset):def__init__(self,images_dir,masks_dir,transform=None):self.images_fps=[os.path.join(images_dir,image_id)forimage_idinos.listdir(images_dir)]self.masks_fps=[os.path.join(masks_dir,mask_id)formask_idinos.listdir(images_dir)]self.transform=transformdef__getitem__(self,i):image=cv2.imread(self.images_fps[i])image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)mask=cv2.imread(self.masks_fps[i],0)ifself.transform:augmented=self.transform(image=image,mask=mask)image=augmented['image']mask=augmented['mask']returnimage,maskdef__len__(self):returnlen(self.images_fps)

4. 模型定义与训练

选择一个合适的模型架构(例如UNet或DeepLabV3),并配置优化器、损失函数和评估指标。

训练脚本
importtorchimportsegmentation_models_pytorchassmpfromtorch.utils.dataimportDataLoaderfromsklearn.model_selectionimporttrain_test_split# 加载数据集train_dataset=SeaLandDataset('./sea_land_segmentation/images/train/','./sea_land_segmentation/masks/train/')valid_dataset=SeaLandDataset('./sea_land_segmentation/images/val/','./sea_land_segmentation/masks/val/')train_loader=DataLoader(train_dataset,batch_size=16,shuffle=True,num_workers=4)valid_loader=DataLoader(valid_dataset,batch_size=4,shuffle=False,num_workers=4)# 定义模型ENCODER='resnet34'ENCODER_WEIGHTS='imagenet'CLASSES=['Sea','Land']ACTIVATION='sigmoid'# 二分类问题可以使用sigmoid激活函数model=smp.Unet(encoder_name=ENCODER,encoder_weights=ENCODER_WEIGHTS,classes=len(CLASSES),activation=ACTIVATION,)preprocessing_fn=smp.encoders.get_preprocessing_fn(ENCODER,ENCODER_WEIGHTS)# 设置损失函数和优化器loss=smp.utils.losses.CrossEntropyLoss()metrics=[smp.utils.metrics.IoU(threshold=0.5),]optimizer=torch.optim.Adam([dict(params=model.parameters(),lr=0.0001),])train_epoch=smp.utils.train.TrainEpoch(model,loss=loss,metrics=metrics,optimizer=optimizer,device='cuda',verbose=True,)valid_epoch=smp.utils.train.ValidEpoch(model,loss=loss,metrics=metrics,device='cuda',verbose=True,)max_score=0foriinrange(0,40):# 训练周期数print('\nEpoch: {}'.format(i))train_logs=train_epoch.run(train_loader)valid_logs=valid_epoch.run(valid_loader)ifmax_score<valid_logs['iou_score']:max_score=valid_logs['iou_score']torch.save(model,'./best_model.pth')print('Model saved!')ifi==25:optimizer.param_groups[0]['lr']/=10print('Decrease decoder learning rate to 1e-5!')

5. 推理与结果可视化

训练完成后,我们可以利用训练好的模型对新图片进行预测,并将结果可视化。

推理脚本
importmatplotlib.pyplotasplt best_model=torch.load('./best_model.pth')defvisualize(image,gt_mask,pr_mask):figure,ax=plt.subplots(1,3,figsize=(10,10))ax[0].imshow(image)ax[0].set_title("Image")ax[1].imshow(gt_mask,cmap='gray')ax[1].set_title("Ground Truth Mask")ax[2].imshow(pr_mask,cmap='gray')ax[2].set_title("Predicted Mask")plt.show()test_dataset=SeaLandDataset('./sea_land_segmentation/images/test/','./sea_land_segmentation/masks/test/')foriinrange(5):# 可视化前5个测试样本image,gt_mask=test_dataset[i]x_tensor=torch.from_numpy(image).to('cuda').permute(2,0,1).unsqueeze(0).float()/255.pr_mask=best_model.predict(x_tensor)pr_mask=pr_mask.squeeze().cpu().numpy()visualize(image,gt_mask,pr_mask)

6. 运行步骤总结

  1. 数据集准备:确认数据集已按要求组织好。
  2. 安装依赖:通过提供的命令安装所需的Python库。
  3. 自定义数据集类:创建自定义数据集类以加载图像和掩码。
  4. 模型定义与训练:选择合适的模型架构,配置优化器、损失函数,并开始训练过程。
  5. 推理与可视化:使用训练好的模型进行推理,并可视化结果。

以上提供了完整的流程——使用Segmentation Models for PyTorch对海陆分割遥感图像进行语义分割任务。

相关新闻

2024西邮Linux一面题解

2024西邮Linux一面题解

2024Linux一面题解 0. 聪明的吗喽 一个小猴子边上有 100 根香蕉&#xff0c;它要走过 50 米才能到家&#xff0c;每次它最多搬 50 根香蕉&#xff0c;&#xff08;多了就拿不动了&#xff09;&#xff0c;它每走 1 米就要吃掉一根&#xff0c;请问它最多能把多少根香蕉搬到家里…

2026/11/9 18:49:47 阅读更多 →
生产管理到底管什么?“四管八理”一次讲清

生产管理到底管什么?“四管八理”一次讲清

很多企业一提生产管理&#xff0c;第一反应是抓产量、盯交期、催现场。但真正做过生产的人都知道&#xff0c;生产现场最难管的&#xff0c;往往不是“今天做了多少”&#xff0c;而是下面这些问题&#xff1a;为什么计划每天都在变&#xff1f;为什么设备开着&#xff0c;产量…

2026/11/10 9:52:29 阅读更多 →
CSL手语数据集 采用基于卷积神经网络(CNN)与循环神经网络(RNN)结合的架构,如3D-CNN或I3D用于特征提取,再配合LSTM或GRU处理时间序列信息。

CSL手语数据集 采用基于卷积神经网络(CNN)与循环神经网络(RNN)结合的架构,如3D-CNN或I3D用于特征提取,再配合LSTM或GRU处理时间序列信息。

使用深度学习模型对CSL手语数据集进行训练 采用基于卷积神经网络&#xff08;CNN&#xff09;与循环神经网络&#xff08;RNN&#xff09;结合的架构&#xff0c;如3D-CNN或I3D用于特征提取&#xff0c;再配合LSTM或GRU处理时间序列信息。 文章目录使用深度学习模型对CSL手语数…

2026/11/6 12:13:53 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年&#xff0c;我大部分时间都在跟浏览器标签页打交道&#xff0c;直到第一次把桌面应用跑起来&#xff0c;才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词&#xff0c;最开始是在某段时间频繁出现在同事的讨论里&#xff0c;一个用HTML…

2026/11/18 13:59:04 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档&#xff0c;主要面向智能锁安装人员、终端用户及售后维护者&#xff0c;帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件&#xff0c;大小4.37MB&#xff0c;内容结构清晰&#xff…

2026/11/18 15:33:23 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统&#xff0c;整车要求空载跑到8m/s&#xff0c;电机转速已经拉到额定点&#xff0c;驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令&#xff0c;转速纹丝不动&#xff0c;三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/18 17:05:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年&#xff0c;用它写过嵌入式驱动、做过游戏服务端&#xff0c;也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词&#xff0c;我其实挺感慨的——这门语言的难点从来不是语法多&#xff0c;而是知识点之间的耦合太深…

2026/11/18 14:33:19 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书以PDF格式发布&#xff0c;适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开&#xff0c;先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能&#xff0c;再给出完整安装步骤&…

2026/11/18 17:05:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历&#xff1a;翻开源码注释、论文摘要或者一份专业报告&#xff0c;每个字都认识&#xff0c;连在一起却像天书。想找人聊聊&#xff0c;身边要么没人懂&#xff0c;要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型&#xff0c;几秒钟之后&a…

2026/11/18 14:13:08 阅读更多 →

日新闻

周新闻

月新闻