智慧农业不同地形高分辨率遥感影像农田精细分割数据集采集东部、西部、中部、北部等多地区遥感影像精细化标注图像中的农田区域并进一步细分为农田耕作区域绿色和农田非耕作区域红色数据集共2600余张图像800MB数据量0.5-0.8m分辨率遥感影像1基于 PyTorch DeepLabV3/UNet 的完整训练代码*。第一部分数据集分析与使用策略1. 数据特点解读输入数据0.5-0.8m 分辨率的遥感影像RGB 三通道。标注数据二值或三值掩膜Mask。黑色/背景非农田区域建筑、道路、水体等。绿色农田耕作区域主要关注对象。红色如有农田非耕作区域休耕、荒地等。*注通常此类数据集会将“耕作”和“非耕作”合并为“农田类”或者分为两类进行多分类分割。下文代码默认按**二分类农田 vs 背景*处理若需三分类只需修改类别数。挑战点尺度变化大平原农田规整巨大高原/丘陵农田细碎分散。背景复杂东部密集区容易与建筑混淆西部稀疏区容易与裸土混淆。高分辨率原始图片可能很大如 2048x2048 或更大直接训练显存会爆必须裁剪Patch Cutting。2. 使用前准备步骤在运行代码前你需要将数据整理为标准格式推荐使用Cityscapes或Pascal VOC风格FarmlandDataset/ ├── images/ # 存放原始遥感图 (RGB) │ ├── train/ │ ├── val/ │ └── test/ ├── masks/ # 存放标注掩膜 (单通道灰度图或索引图) │ ├── train/ │ ├── val/ │ └── test/ └── scripts/ # 存放下面的预处理脚本 关键提示如果你的原始图片非常大例如 1024px必须先进行滑窗裁剪将其切分为 512x512 或 256x256 的小图否则无法放入 GPU 训练。第二部分数据预处理脚本滑窗裁剪由于遥感图通常很大我们需要一个脚本将它们切成小块。文件crop_dataset.pyimportosimportcv2importnumpyasnpfrompathlibimportPathdefcrop_images(img_path,mask_path,save_img_dir,save_mask_dir,patch_size512,stride256): 滑窗裁剪函数 :param img_path: 原图路径 :param mask_path: 掩膜路径 :param save_img_dir: 保存小图的目录 :param save_mask_dir: 保存小掩膜的目录 :param patch_size: 裁剪尺寸 (如 512) :param stride: 滑动步长 (如 256表示有重叠增加样本量) imgcv2.imread(img_path)maskcv2.imread(mask_path,cv2.IMREAD_GRAYSCALE)# 读取灰度掩膜ifimgisNoneormaskisNone:returnh,wimg.shape[:2]count0# 滑窗遍历foryinrange(0,h-patch_size1,stride):forxinrange(0,w-patch_size1,stride):# 截取图像块img_patchimg[y:ypatch_size,x:xpatch_size]mask_patchmask[y:ypatch_size,x:xpatch_size]# 【可选优化】如果掩膜中农田像素太少如小于5%则丢弃该样本减少背景噪声ifnp.sum(mask_patch0)(patch_size*patch_size*0.05):continue# 保存base_nameos.path.basename(img_path).split(.)[0]cv2.imwrite(os.path.join(save_img_dir,f{base_name}_{x}_{y}.jpg),img_patch)cv2.imwrite(os.path.join(save_mask_dir,f{base_name}_{x}_{y}.png),mask_patch)count1# 处理边缘如果图片尺寸不能被步长整除补充右下角# 此处简化处理实际项目中建议补充边缘裁剪逻辑print(f✅ 图片{os.path.basename(img_path)}裁剪完成生成{count}个样本。)# 使用示例# 你需要遍历整个数据集文件夹调用此函数if__name____main__:# 假设你的原始数据结构是 images_raw 和 masks_raw# 请根据实际情况修改路径pass第三部分PyTorch 语义分割训练代码本代码使用DeepLabV3遥感分割 SOTA 模型之一或UNet支持多地形数据训练。1. 环境安装pipinstalltorch torchvision matplotlib opencv-python segmentation-models-pytorch albumentations(推荐使用segmentation-models-pytorch库它集成了多种先进的分割 backbone)2. 完整训练脚本train_farmland.pyimportosimporttorchimporttorch.nnasnnfromtorch.utils.dataimportDataset,DataLoaderfromtorchvisionimporttransformsimportcv2importnumpyasnpimportsegmentation_models_pytorchassmpfromsklearn.model_selectionimporttrain_test_splitimportmatplotlib.pyplotasplt# 1. 配置区域 DATA_ROOT./FarmlandDataset# 数据集根目录IMG_DIRos.path.join(DATA_ROOT,images,train)MASK_DIRos.path.join(DATA_ROOT,masks,train)# 模型选择# deeplabv3_plus 适合遥感大场景unet 适合小样本精细边缘MODEL_NAMEdeeplabv3_plusENCODERresnet50# 骨干网络可选 resnet34/50, efficientnet-b0 等ENCODER_WEIGHTSimagenet# 使用 ImageNet 预训练权重加速收敛# 训练参数CLASSES[background,farmland]# 类别列表NUM_CLASSESlen(CLASSES)BATCH_SIZE8EPOCHS50DEVICEcudaiftorch.cuda.is_available()elsecpuIMG_SIZE512# 必须与裁剪尺寸一致# 2. 自定义数据集类 classFarmlandDataset(Dataset):def__init__(self,images_dir,masks_dir,classesNone,augmentationNone,preprocessingNone):self.ids[os.path.splitext(fname)[0]forfnameinos.listdir(images_dir)iffname.endswith(.jpg)]self.images_fps[os.path.join(images_dir,fname)forfnameinos.listdir(images_dir)iffname.endswith(.jpg)]self.masks_fps[os.path.join(masks_dir,fname.replace(.jpg,.png))forfnameinos.listdir(images_dir)iffname.endswith(.jpg)]self.classesclasses self.augmentationaugmentation self.preprocessingpreprocessingdef__getitem__(self,i):# 读取图片 (RGB)imagecv2.imread(self.images_fps[i])imagecv2.cvtColor(image,cv2.COLOR_BGR2RGB)# 读取掩膜 (灰度)maskcv2.imread(self.masks_fps[i],cv2.IMREAD_GRAYSCALE)# 数据增强ifself.augmentation:sampleself.augmentation(imageimage,maskmask)image,masksample[image],sample[mask]# 预处理 (归一化等)ifself.preprocessing:sampleself.preprocessing(imageimage,maskmask)image,masksample[image],sample[mask]returnimage,maskdef__len__(self):returnlen(self.ids)# 3. 数据增强与预处理 importalbumentationsasAdefget_training_augmentation():train_transform[A.HorizontalFlip(p0.5),A.VerticalFlip(p0.5),A.RandomRotate90(p0.5),A.ShiftScaleRotate(scale_limit0.2,rotate_limit15,shift_limit0.1,p0.5,border_modecv2.BORDER_CONSTANT),A.OneOf([A.RandomBrightnessContrast(p1),A.RandomGamma(p1),],p0.3),A.OneOf([A.GaussNoise(p1),A.ISONoise(p1),],p0.2),]returnA.Compose(train_transform,additional_targets{mask:mask})defto_tensor(x,**kwargs):returnx.transpose(2,0,1).astype(float32)/255.0defget_preprocessing(preprocessing_fnNone):_transform[]ifpreprocessing_fn:_transform.append(A.Lambda(imagepreprocessing_fn,maskto_tensor))else:_transform.append(A.Lambda(imageto_tensor,maskto_tensor))returnA.Compose(_transform,additional_targets{mask:mask})# 4. 损失函数 (针对不平衡优化) # 遥感图中背景通常远多于农田使用 Dice CE 混合损失效果更好classDiceLoss(nn.Module):def__init__(self,weightNone,size_averageTrue):super(DiceLoss,self).__init__()defforward(self,inputs,targets,smooth1):inputstorch.sigmoid(inputs)inputsinputs.view(-1)targetstargets.view(-1)intersection(inputs*targets).sum()dice(2.*intersectionsmooth)/(inputs.sum()targets.sum()smooth)return1-dicedefcombined_loss(pred,target):bce_lossnn.BCEWithLogitsLoss()(pred,target)dice_lossDiceLoss()(pred,target)returnbce_lossdice_loss# 5. 主训练流程 defmain():print(f 开始农田精细分割模型训练 (Device:{DEVICE}))# 1. 准备数据集datasetFarmlandDataset(IMG_DIR,MASK_DIR,classesCLASSES,augmentationget_training_augmentation(),preprocessingget_preprocessing())# 划分验证集 (如果没有单独的 val 文件夹)train_sizeint(0.8*len(dataset))test_sizelen(dataset)-train_size train_dataset,valid_datasettorch.utils.data.random_split(dataset,[train_size,test_size])train_loaderDataLoader(train_dataset,batch_sizeBATCH_SIZE,shuffleTrue,num_workers4)valid_loaderDataLoader(valid_dataset,batch_sizeBATCH_SIZE,shuffleFalse,num_workers4)# 2. 创建模型modelsmp.create_model(MODEL_NAME,encoder_nameENCODER,encoder_weightsENCODER_WEIGHTS,classesNUM_CLASSES,activationNone,# 输出 logits损失函数里做 sigmoid)model.to(DEVICE)# 3. 优化器与学习率调度optimizertorch.optim.Adam([dict(paramsmodel.parameters(),lr0.0001),])schedulertorch.optim.lr_scheduler.ReduceLROnPlateau(optimizer,factor0.5,patience5)# 4. 训练循环best_iou0.0forepochinrange(EPOCHS):model.train()train_loss0.0forimages,masksintrain_loader:images,masksimages.to(DEVICE),masks.to(DEVICE).unsqueeze(1).float()# 增加通道维optimizer.zero_grad()outputsmodel(images)losscombined_loss(outputs,masks)loss.backward()optimizer.step()train_lossloss.item()# 验证model.eval()val_loss0.0withtorch.no_grad():forimages,masksinvalid_loader:images,masksimages.to(DEVICE),masks.to(DEVICE).unsqueeze(1).float()outputsmodel(images)losscombined_loss(outputs,masks)val_lossloss.item()# 计算 IoU (简化版)predstorch.sigmoid(outputs)0.5intersection(preds*masks).sum()unionpreds.sum()masks.sum()-intersection iou(intersection1e-6)/(union1e-6)ifioubest_iou:best_iouiou# 保存最佳模型torch.save(model.state_dict(),best_farmland_model.pth)avg_train_losstrain_loss/len(train_loader)avg_val_lossval_loss/len(valid_loader)print(fEpoch{epoch1}/{EPOCHS}| Train Loss:{avg_train_loss:.4f}| Val Loss:{avg_val_loss:.4f}| Best IoU:{best_iou:.4f})scheduler.step(avg_val_loss)print( 训练完成最佳模型已保存为 best_farmland_model.pth)if__name____main__:main()第四部分如何使用训练好的模型进行预测训练完成后你可以加载模型对新的遥感图进行推理。由于原图很大推理时也需要滑窗预测并拼接。文件predict_farmland.pyimportcv2importtorchimportnumpyasnpimportsegmentation_models_pytorchassmpfromtorchvisionimporttransforms# 加载模型modelsmp.create_model(deeplabv3_plus,encoder_nameresnet50,classes2,activationNone)model.load_state_dict(torch.load(best_farmland_model.pth))model.eval().cuda()defpredict_large_image(image_path,output_path,patch_size512,stride256):imgcv2.imread(image_path)img_rgbcv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,wimg_rgb.shape[:2]# 创建空白掩膜mask_canvasnp.zeros((h,w),dtypenp.uint8)count_canvasnp.zeros((h,w),dtypenp.uint8)# 记录每个像素被预测的次数用于平滑transformtransforms.Compose([transforms.ToTensor(),transforms.Normalize(mean[0.485,0.456,0.406],std[0.229,0.224,0.225])])print(️ 正在对大图进行滑窗推理...)foryinrange(0,h-patch_size1,stride):forxinrange(0,w-patch_size1,stride):patchimg_rgb[y:ypatch_size,x:xpatch_size]input_tensortransform(patch).unsqueeze(0).cuda()withtorch.no_grad():predmodel(input_tensor)pred_mask(torch.sigmoid(pred)0.5).squeeze().cpu().numpy().astype(np.uint8)# 累加到画布上 (简单的平均融合策略)mask_canvas[y:ypatch_size,x:xpatch_size]pred_mask count_canvas[y:ypatch_size,x:xpatch_size]1# 归一化并二值化mask_canvas(mask_canvas/count_canvas*255).astype(np.uint8)_,final_maskcv2.threshold(mask_canvas,127,255,cv2.THRESH_BINARY)# 保存结果 (绿色表示农田)result_imgimg.copy()result_img[final_mask0][0,255,0]# 覆盖为绿色cv2.imwrite(output_path,result_img)print(f✅ 推理完成结果已保存至{output_path})# 使用示例# predict_large_image(test_remote_sensing.jpg, result_segmentation.jpg) 针对该数据集的特别建议颜色映射处理如果原始 Mask 是彩色的绿/红/黑你需要先写一个脚本将其转换为单通道索引图0背景1耕作2非耕作。转换逻辑遍历像素如果是绿色 RGB 值范围设为 1红色设为 2其他设为 0。多地形泛化由于数据集包含平原、高原等不同地貌建议在训练时的augmentation中加入强烈的色彩抖动Color Jitter和对比度调整以模拟不同光照和季节下的农田特征防止模型只记住某种特定颜色的土壤。评价指标对于分割任务不要只看 Accuracy准确率因为背景占比太大Accuracy 会虚高。核心指标mIoU (平均交并比)和Dice Coefficient。代码中已经包含了这两个指标的计算逻辑。这套方案能够充分利用 0.5m 高分辨率的优势实现对你提供的多地形农田数据的精细化分割