尧图网页设计 
简介这份资源面向从事遥感图像分析、地质灾害识别与深度学习目标检测的研究生、算法工程师及科研人员提供一套可直接用于泥石流目标检测训练的标注数据集帮助解决地质灾害遥感场景下样本稀缺、标注成本高的问题。压缩包共232个文件包含116张JPEG遥感影像与116个对应的XML标注文件采用VOC2007格式组织可直接接入YOLO、Faster R-CNN等主流检测框架进行训练与评估整体约5.53MB体量轻便便于快速下载与本地调试。目前已有1095人学习下载说明其在遥感地质灾害检测方向具有一定参考价值。读者可借助该数据集完成从数据加载、标注解析到模型训练与指标验证的完整流程也可用于对比不同检测算法在泥石流目标上的表现或作为自建数据集的格式参考与扩充基础。1. 遥感影像泥石流检测数据集从标签噪声到可复现训练样本泥石流灾害的遥感识别难的不是模型结构而是数据。我见过太多团队拿着公开的遥感影像目标检测数据集直接开训mAP 卡在 0.3 上不去排查一圈发现标注框把整条沟道都框进去了模型学到的其实是“沟谷纹理”而不是“泥石流堆积体”。遥感影像、泥石流、目标检测、数据集这四个词放在一起真正要解决的问题是如何把大幅面、多光谱、带地理坐标的卫星或航拍影像切成模型能吃的切片并配上语义一致的边界框。这篇面向的是手里有遥感影像、想跑目标检测但被数据卡住的从业者也适合做地质灾害监测、应急测绘、山区基础设施巡检的工程师。下面按“数据从哪来 → 怎么标 → 怎么切 → 怎么训 → 怎么避坑”的顺序把可复现的路径写清楚。2. 泥石流目标检测的数据来源与标注体系2.1 遥感影像获取公开源与自采影像的取舍做泥石流检测第一步是确定影像源。常见做法有三类一是公开的灾害应急影像比如高分系列、Sentinel-2、Landsat 8/9 的灾后产品空间分辨率从 10 米到 0.8 米不等二是商业卫星存档按景购买适合做小范围高精度验证三是无人机航拍分辨率能到厘米级但覆盖范围有限适合做局部精细标注。我一般会先拉一份 Sentinel-2 的灾后影像做粗筛因为它的重访周期短、免费、波段全能快速定位泥石流发生的沟谷位置。确定候选区域后再去找对应的高分二号或无人机影像做精细标注。这里有个血泪经验不要用灾前影像直接标注泥石流因为泥石流是灾后堆积体灾前影像上根本没有这个目标标出来的框全是错的。影像下载环节如果做公开数据集复现常见做法是用 Google Earth Engine 或 Copernicus Open Access Hub 按时间和区域筛选。下面是一段用 Python 的sentinelsat库检索 Sentinel-2 影像的示例注意这里只做检索和下载不涉及任何网络代理配置。from sentinelsat import SentinelAPI, read_geojson, geojson_to_wkt from datetime import date # 连接 Copernicus Open Access Hub api SentinelAPI(用户名, 密码, https://scihub.copernicus.eu/dhus) # 定义研究区这里用 GeoJSON 文件描述泥石流沟谷范围 footprint geojson_to_wkt(read_geojson(debris_flow_aoi.geojson)) # 检索灾后 30 天内的 Sentinel-2 L2A 产品 products api.query( footprint, date(date(2023, 7, 1), date(2023, 7, 31)), platformnameSentinel-2, producttypeS2MSI2A, cloudcoverpercentage(0, 20) # 云量低于 20% ) # 下载检索结果 api.download_all(products)这段代码的逻辑是先定义泥石流发生的感兴趣区再按时间窗口和云量阈值筛选影像最后批量下载。参数上cloudcoverpercentage建议设在 20 以下山区云层厚阈值太高会漏掉可用影像date窗口不要超过 30 天否则灾后堆积体可能被植被或后续降雨改变形态。如果下载速度慢可以只下载 B02、B03、B04、B08 四个波段减少数据量。2.2 标注体系设计框什么、不框什么泥石流在遥感影像上的表现是沟道内或沟口的浅色堆积体纹理粗糙形状呈舌状或扇形与周围植被和基岩有明显色差。标注时最容易翻车的地方是边界模糊——堆积体边缘和冲积扇过渡带没有清晰界线。我的做法是只框堆积体主体即色调最浅、纹理最均一的那部分边缘过渡带不纳入框内。这样标注一致性高模型学到的特征也更稳定。标注工具用 LabelImg 或 CVAT 都可以导出 YOLO 格式的 txt 文件。类别名建议用debris_flow不要用mudslide或landslide混用因为滑坡和泥石流的影像特征差异很大混标会让模型困惑。如果要做多类别可以细分debris_flow_deposit堆积体和debris_flow_channel流通区但新手建议先做单类。标注完成后必须做一次交叉验证让另一个人随机抽 10% 的框检查如果 IoU 低于 0.7 的比例超过 15%说明标注标准不一致需要重新对齐。这个步骤很枯燥但能省掉后面调参的很多玄学问题。2.3 影像切片大幅面遥感图怎么切成训练样本遥感影像动辄上万像素直接送进网络不现实。常见做法是滑窗切片窗口大小 512×512 或 640×640重叠率 20% 到 30%。重叠率太低会切断目标太高会产生大量冗余样本。我的经验是泥石流堆积体通常占几百到几千像素512 窗口加 25% 重叠比较稳。切片时要注意两个参数一是stride即滑动步长一般设为window_size * (1 - overlap)二是min_area即框面积小于多少像素的切片直接丢弃避免大量背景样本。下面是一段切片脚本输入是原始影像和 YOLO 格式标签输出是切片后的图像和对应标签。import cv2 import numpy as np import os def slide_crop(image_path, label_path, output_dir, window_size512, overlap0.25, min_area200): img cv2.imread(image_path) h, w img.shape[:2] stride int(window_size * (1 - overlap)) # 读取 YOLO 标签并转换为像素坐标 boxes [] with open(label_path, r) as f: for line in f: cls, x, y, bw, bh map(float, line.strip().split()) x1 (x - bw / 2) * w y1 (y - bh / 2) * h x2 (x bw / 2) * w y2 (y bh / 2) * h boxes.append([cls, x1, y1, x2, y2]) count 0 for y in range(0, h - window_size 1, stride): for x in range(0, w - window_size 1, stride): crop img[y:ywindow_size, x:xwindow_size] crop_boxes [] for cls, x1, y1, x2, y2 in boxes: # 计算框与切片的交集 ix1, iy1 max(x1, x), max(y1, y) ix2, iy2 min(x2, x window_size), min(y2, y window_size) if ix2 - ix1 0 and iy2 - iy1 0: area (ix2 - ix1) * (iy2 - iy1) if area min_area: # 转换为切片内的 YOLO 归一化坐标 cx (ix1 ix2) / 2 - x cy (iy1 iy2) / 2 - y bw_new (ix2 - ix1) / window_size bh_new (iy2 - iy1) / window_size crop_boxes.append(f{int(cls)} {cx/window_size:.6f} {cy/window_size:.6f} {bw_new:.6f} {bh_new:.6f}) if crop_boxes: cv2.imwrite(os.path.join(output_dir, fcrop_{count}.jpg), crop) with open(os.path.join(output_dir, fcrop_{count}.txt), w) as f: f.write(\n.join(crop_boxes)) count 1参数说明window_size根据 GPU 显存选8G 显存跑 YOLOv8 建议 64012G 以上可以 1024overlap设 0.25 是平衡漏检和冗余min_area设 200 像素是为了过滤掉被切碎的极小目标。切片后要检查一下如果某个切片里框只占几个像素这种样本对训练没帮助反而会拉低召回。3. 从 YOLO 格式到训练泥石流检测模型的落地路径3.1 数据集划分与 YOLO 配置文件切片完成后按 7:2:1 划分训练集、验证集、测试集。划分时要保证同一景影像的切片不跨集否则验证集精度会虚高。常见做法是按影像编号分组整组划入同一集合。YOLO 系列的数据集配置文件debris_flow.yaml写法如下path: /data/debris_flow_dataset train: images/train val: images/val test: images/test nc: 1 names: [debris_flow]这里nc是类别数单类就写 1。如果做堆积体和流通区两类改成 2names对应写[deposit, channel]。路径用绝对路径避免训练时找不到文件。3.2 训练参数泥石流检测的必调项用 YOLOv8 或 YOLOv11 训练时下面几个参数对泥石流检测影响最大参数建议值说明imgsz640与切片窗口一致不要随意改batch8~16根据显存调太小梯度不稳epochs100~200泥石流样本少需要多轮lr00.001默认 0.01 容易震荡mosaic0.5增强小目标但泥石流形状特殊别设 1.0degrees0.0遥感影像有地理方向旋转增强会破坏语义训练命令示例yolo detect train datadebris_flow.yaml modelyolov8n.pt epochs150 imgsz640 batch8 lr00.001 mosaic0.5 degrees0.0这里用yolov8n是因为泥石流目标特征相对明显小模型够用。如果漏检严重换yolov8m或yolov11s。mosaic设 0.5 而不是默认 1.0是因为泥石流堆积体的形状和周边环境有强关联过度拼接会引入不合理的上下文。3.3 数据增强的边界哪些增强能用哪些会翻车遥感影像的增强和自然图像不一样。翻转、裁剪、亮度调整可以用但旋转、透视变换要慎用。泥石流沟谷的走向和山体阴影方向有地理意义旋转 90 度后模型学到的“沟谷朝向”特征就乱了。我的做法是只开flipud0.5、fliplr0.5、hsv_h0.015、hsv_s0.7、hsv_v0.4其他增强全关。如果样本量少于 500 张可以加copy_paste0.3把泥石流目标复制粘贴到其他背景上但粘贴位置要避开道路和建筑否则会引入虚假关联。4. 泥石流检测数据集常见坑与排查4.1 标注框把整条沟道框进去模型学的是沟谷不是泥石流现象训练 loss 下降正常但验证集 mAP 只有 0.2 左右可视化预测框发现模型把整条沟谷都框了。原因标注时图省事沿着沟道画了大框把两侧山体也包进去了。模型学到的是“暗色沟谷纹理”而不是“浅色堆积体”。解决重新标注只框堆积体主体。可以用 NDVI 阈值辅助泥石流堆积体 NDVI 低植被 NDVI 高先算 NDVI 再目视检查边界。4.2 切片重叠率太低目标被切断导致漏检现象训练集里明明有泥石流样本但模型在验证集上对同一区域漏检。原因切片时overlap设了 0.1堆积体刚好跨在两个切片边界上每个切片里都只有半个目标标注时被min_area过滤掉了。解决把overlap提到 0.25 到 0.3重新切片。检查方法是统计每个目标的框中心到切片边界的距离如果小于 50 像素的样本占比超过 10%说明重叠不够。4.3 灾前灾后影像混用标签语义矛盾现象模型在灾后影像上表现尚可但在灾前影像上疯狂误检。原因训练集里混入了灾前影像且把灾前的沟谷也标成了泥石流。灾前根本没有堆积体标签是错的。解决严格按灾后时间窗口筛选影像灾前影像只能做负样本且不能标任何泥石流框。负样本比例控制在 1:3 以内太多负样本会让模型偏向背景。4.4 类别不平衡导致小目标召回低现象大块堆积体检测很好但小规模泥石流几十平方米几乎全漏。原因小目标样本少且切片后小目标在 640 图像里只有十几个像素YOLO 的下采样倍率导致特征丢失。解决一是切片窗口降到 320让小目标占比变大二是开copy_paste增强小目标三是把imgsz提到 1024但显存要够。如果还不行换带 P2 检测头的模型结构。4.5 验证集精度虚高测试集崩盘现象验证集 mAP 0.75测试集只有 0.4。原因划分数据集时按切片随机分同一景影像的切片同时出现在训练集和验证集模型记住了这景影像的背景特征。解决按影像编号分组划分整景影像要么全在训练集要么全在验证集。分组后验证集精度会降但测试集精度会升这才是真实水平。5. 泥石流检测数据集的进阶用法半自动标注与跨区域验证当标注量上来之后纯手工标效率太低。我现在的做法是先用一个在公开遥感数据集上预训练的检测模型比如在 DOTA 上训过的模型对泥石流影像做推理生成粗框再人工修正。这样标注速度能快 3 倍左右但要注意预训练模型的类别和泥石流差异大粗框的召回高但精度低人工修正时主要做删框和调边界而不是从零画框。半自动标注的脚本逻辑是加载预训练权重对切片推理把置信度高于 0.3 的框导出为 YOLO 格式再导入 LabelImg 做修正。置信度阈值不要设太高0.3 左右能保证召回漏掉的框人工补。修正完成后用修正后的数据微调模型再跑一轮推理迭代两三次标注质量会明显提升。跨区域验证是另一个容易被忽略的点。泥石流在不同气候区、不同岩性区的影像特征差异很大。在西南山区训的模型直接拿到西北干旱区用mAP 可能掉一半。我的习惯是至少留一个完全不同流域的影像做测试集不参与任何训练和调参。如果跨区域测试 mAP 低于 0.3说明模型过拟合了局部纹理需要增加不同区域的训练样本或者用域自适应方法做特征对齐。最后说一个我踩过的坑不要用同一颗卫星的影像训和测。不同卫星的传感器响应、分辨率、波段设置都不同模型会学到传感器特征而不是泥石流特征。训练集里至少混入两种卫星源测试集用第三种这样训出来的模型才有泛化性。希望帮到你。本文还有配套的精品资源点击获取 遥感影像泥石流检测数据集构建与YOLO训练全流程
简介这份资源面向从事遥感图像分析、地质灾害识别与深度学习目标检测的研究生、算法工程师及科研人员提供一套可直接用于泥石流目标检测训练的标注数据集帮助解决地质灾害遥感场景下样本稀缺、标注成本高的问题。压缩包共232个文件包含116张JPEG遥感影像与116个对应的XML标注文件采用VOC2007格式组织可直接接入YOLO、Faster R-CNN等主流检测框架进行训练与评估整体约5.53MB体量轻便便于快速下载与本地调试。目前已有1095人学习下载说明其在遥感地质灾害检测方向具有一定参考价值。读者可借助该数据集完成从数据加载、标注解析到模型训练与指标验证的完整流程也可用于对比不同检测算法在泥石流目标上的表现或作为自建数据集的格式参考与扩充基础。1. 遥感影像泥石流检测数据集从标签噪声到可复现训练样本泥石流灾害的遥感识别难的不是模型结构而是数据。我见过太多团队拿着公开的遥感影像目标检测数据集直接开训mAP 卡在 0.3 上不去排查一圈发现标注框把整条沟道都框进去了模型学到的其实是“沟谷纹理”而不是“泥石流堆积体”。遥感影像、泥石流、目标检测、数据集这四个词放在一起真正要解决的问题是如何把大幅面、多光谱、带地理坐标的卫星或航拍影像切成模型能吃的切片并配上语义一致的边界框。这篇面向的是手里有遥感影像、想跑目标检测但被数据卡住的从业者也适合做地质灾害监测、应急测绘、山区基础设施巡检的工程师。下面按“数据从哪来 → 怎么标 → 怎么切 → 怎么训 → 怎么避坑”的顺序把可复现的路径写清楚。2. 泥石流目标检测的数据来源与标注体系2.1 遥感影像获取公开源与自采影像的取舍做泥石流检测第一步是确定影像源。常见做法有三类一是公开的灾害应急影像比如高分系列、Sentinel-2、Landsat 8/9 的灾后产品空间分辨率从 10 米到 0.8 米不等二是商业卫星存档按景购买适合做小范围高精度验证三是无人机航拍分辨率能到厘米级但覆盖范围有限适合做局部精细标注。我一般会先拉一份 Sentinel-2 的灾后影像做粗筛因为它的重访周期短、免费、波段全能快速定位泥石流发生的沟谷位置。确定候选区域后再去找对应的高分二号或无人机影像做精细标注。这里有个血泪经验不要用灾前影像直接标注泥石流因为泥石流是灾后堆积体灾前影像上根本没有这个目标标出来的框全是错的。影像下载环节如果做公开数据集复现常见做法是用 Google Earth Engine 或 Copernicus Open Access Hub 按时间和区域筛选。下面是一段用 Python 的sentinelsat库检索 Sentinel-2 影像的示例注意这里只做检索和下载不涉及任何网络代理配置。from sentinelsat import SentinelAPI, read_geojson, geojson_to_wkt from datetime import date # 连接 Copernicus Open Access Hub api SentinelAPI(用户名, 密码, https://scihub.copernicus.eu/dhus) # 定义研究区这里用 GeoJSON 文件描述泥石流沟谷范围 footprint geojson_to_wkt(read_geojson(debris_flow_aoi.geojson)) # 检索灾后 30 天内的 Sentinel-2 L2A 产品 products api.query( footprint, date(date(2023, 7, 1), date(2023, 7, 31)), platformnameSentinel-2, producttypeS2MSI2A, cloudcoverpercentage(0, 20) # 云量低于 20% ) # 下载检索结果 api.download_all(products)这段代码的逻辑是先定义泥石流发生的感兴趣区再按时间窗口和云量阈值筛选影像最后批量下载。参数上cloudcoverpercentage建议设在 20 以下山区云层厚阈值太高会漏掉可用影像date窗口不要超过 30 天否则灾后堆积体可能被植被或后续降雨改变形态。如果下载速度慢可以只下载 B02、B03、B04、B08 四个波段减少数据量。2.2 标注体系设计框什么、不框什么泥石流在遥感影像上的表现是沟道内或沟口的浅色堆积体纹理粗糙形状呈舌状或扇形与周围植被和基岩有明显色差。标注时最容易翻车的地方是边界模糊——堆积体边缘和冲积扇过渡带没有清晰界线。我的做法是只框堆积体主体即色调最浅、纹理最均一的那部分边缘过渡带不纳入框内。这样标注一致性高模型学到的特征也更稳定。标注工具用 LabelImg 或 CVAT 都可以导出 YOLO 格式的 txt 文件。类别名建议用debris_flow不要用mudslide或landslide混用因为滑坡和泥石流的影像特征差异很大混标会让模型困惑。如果要做多类别可以细分debris_flow_deposit堆积体和debris_flow_channel流通区但新手建议先做单类。标注完成后必须做一次交叉验证让另一个人随机抽 10% 的框检查如果 IoU 低于 0.7 的比例超过 15%说明标注标准不一致需要重新对齐。这个步骤很枯燥但能省掉后面调参的很多玄学问题。2.3 影像切片大幅面遥感图怎么切成训练样本遥感影像动辄上万像素直接送进网络不现实。常见做法是滑窗切片窗口大小 512×512 或 640×640重叠率 20% 到 30%。重叠率太低会切断目标太高会产生大量冗余样本。我的经验是泥石流堆积体通常占几百到几千像素512 窗口加 25% 重叠比较稳。切片时要注意两个参数一是stride即滑动步长一般设为window_size * (1 - overlap)二是min_area即框面积小于多少像素的切片直接丢弃避免大量背景样本。下面是一段切片脚本输入是原始影像和 YOLO 格式标签输出是切片后的图像和对应标签。import cv2 import numpy as np import os def slide_crop(image_path, label_path, output_dir, window_size512, overlap0.25, min_area200): img cv2.imread(image_path) h, w img.shape[:2] stride int(window_size * (1 - overlap)) # 读取 YOLO 标签并转换为像素坐标 boxes [] with open(label_path, r) as f: for line in f: cls, x, y, bw, bh map(float, line.strip().split()) x1 (x - bw / 2) * w y1 (y - bh / 2) * h x2 (x bw / 2) * w y2 (y bh / 2) * h boxes.append([cls, x1, y1, x2, y2]) count 0 for y in range(0, h - window_size 1, stride): for x in range(0, w - window_size 1, stride): crop img[y:ywindow_size, x:xwindow_size] crop_boxes [] for cls, x1, y1, x2, y2 in boxes: # 计算框与切片的交集 ix1, iy1 max(x1, x), max(y1, y) ix2, iy2 min(x2, x window_size), min(y2, y window_size) if ix2 - ix1 0 and iy2 - iy1 0: area (ix2 - ix1) * (iy2 - iy1) if area min_area: # 转换为切片内的 YOLO 归一化坐标 cx (ix1 ix2) / 2 - x cy (iy1 iy2) / 2 - y bw_new (ix2 - ix1) / window_size bh_new (iy2 - iy1) / window_size crop_boxes.append(f{int(cls)} {cx/window_size:.6f} {cy/window_size:.6f} {bw_new:.6f} {bh_new:.6f}) if crop_boxes: cv2.imwrite(os.path.join(output_dir, fcrop_{count}.jpg), crop) with open(os.path.join(output_dir, fcrop_{count}.txt), w) as f: f.write(\n.join(crop_boxes)) count 1参数说明window_size根据 GPU 显存选8G 显存跑 YOLOv8 建议 64012G 以上可以 1024overlap设 0.25 是平衡漏检和冗余min_area设 200 像素是为了过滤掉被切碎的极小目标。切片后要检查一下如果某个切片里框只占几个像素这种样本对训练没帮助反而会拉低召回。3. 从 YOLO 格式到训练泥石流检测模型的落地路径3.1 数据集划分与 YOLO 配置文件切片完成后按 7:2:1 划分训练集、验证集、测试集。划分时要保证同一景影像的切片不跨集否则验证集精度会虚高。常见做法是按影像编号分组整组划入同一集合。YOLO 系列的数据集配置文件debris_flow.yaml写法如下path: /data/debris_flow_dataset train: images/train val: images/val test: images/test nc: 1 names: [debris_flow]这里nc是类别数单类就写 1。如果做堆积体和流通区两类改成 2names对应写[deposit, channel]。路径用绝对路径避免训练时找不到文件。3.2 训练参数泥石流检测的必调项用 YOLOv8 或 YOLOv11 训练时下面几个参数对泥石流检测影响最大参数建议值说明imgsz640与切片窗口一致不要随意改batch8~16根据显存调太小梯度不稳epochs100~200泥石流样本少需要多轮lr00.001默认 0.01 容易震荡mosaic0.5增强小目标但泥石流形状特殊别设 1.0degrees0.0遥感影像有地理方向旋转增强会破坏语义训练命令示例yolo detect train datadebris_flow.yaml modelyolov8n.pt epochs150 imgsz640 batch8 lr00.001 mosaic0.5 degrees0.0这里用yolov8n是因为泥石流目标特征相对明显小模型够用。如果漏检严重换yolov8m或yolov11s。mosaic设 0.5 而不是默认 1.0是因为泥石流堆积体的形状和周边环境有强关联过度拼接会引入不合理的上下文。3.3 数据增强的边界哪些增强能用哪些会翻车遥感影像的增强和自然图像不一样。翻转、裁剪、亮度调整可以用但旋转、透视变换要慎用。泥石流沟谷的走向和山体阴影方向有地理意义旋转 90 度后模型学到的“沟谷朝向”特征就乱了。我的做法是只开flipud0.5、fliplr0.5、hsv_h0.015、hsv_s0.7、hsv_v0.4其他增强全关。如果样本量少于 500 张可以加copy_paste0.3把泥石流目标复制粘贴到其他背景上但粘贴位置要避开道路和建筑否则会引入虚假关联。4. 泥石流检测数据集常见坑与排查4.1 标注框把整条沟道框进去模型学的是沟谷不是泥石流现象训练 loss 下降正常但验证集 mAP 只有 0.2 左右可视化预测框发现模型把整条沟谷都框了。原因标注时图省事沿着沟道画了大框把两侧山体也包进去了。模型学到的是“暗色沟谷纹理”而不是“浅色堆积体”。解决重新标注只框堆积体主体。可以用 NDVI 阈值辅助泥石流堆积体 NDVI 低植被 NDVI 高先算 NDVI 再目视检查边界。4.2 切片重叠率太低目标被切断导致漏检现象训练集里明明有泥石流样本但模型在验证集上对同一区域漏检。原因切片时overlap设了 0.1堆积体刚好跨在两个切片边界上每个切片里都只有半个目标标注时被min_area过滤掉了。解决把overlap提到 0.25 到 0.3重新切片。检查方法是统计每个目标的框中心到切片边界的距离如果小于 50 像素的样本占比超过 10%说明重叠不够。4.3 灾前灾后影像混用标签语义矛盾现象模型在灾后影像上表现尚可但在灾前影像上疯狂误检。原因训练集里混入了灾前影像且把灾前的沟谷也标成了泥石流。灾前根本没有堆积体标签是错的。解决严格按灾后时间窗口筛选影像灾前影像只能做负样本且不能标任何泥石流框。负样本比例控制在 1:3 以内太多负样本会让模型偏向背景。4.4 类别不平衡导致小目标召回低现象大块堆积体检测很好但小规模泥石流几十平方米几乎全漏。原因小目标样本少且切片后小目标在 640 图像里只有十几个像素YOLO 的下采样倍率导致特征丢失。解决一是切片窗口降到 320让小目标占比变大二是开copy_paste增强小目标三是把imgsz提到 1024但显存要够。如果还不行换带 P2 检测头的模型结构。4.5 验证集精度虚高测试集崩盘现象验证集 mAP 0.75测试集只有 0.4。原因划分数据集时按切片随机分同一景影像的切片同时出现在训练集和验证集模型记住了这景影像的背景特征。解决按影像编号分组划分整景影像要么全在训练集要么全在验证集。分组后验证集精度会降但测试集精度会升这才是真实水平。5. 泥石流检测数据集的进阶用法半自动标注与跨区域验证当标注量上来之后纯手工标效率太低。我现在的做法是先用一个在公开遥感数据集上预训练的检测模型比如在 DOTA 上训过的模型对泥石流影像做推理生成粗框再人工修正。这样标注速度能快 3 倍左右但要注意预训练模型的类别和泥石流差异大粗框的召回高但精度低人工修正时主要做删框和调边界而不是从零画框。半自动标注的脚本逻辑是加载预训练权重对切片推理把置信度高于 0.3 的框导出为 YOLO 格式再导入 LabelImg 做修正。置信度阈值不要设太高0.3 左右能保证召回漏掉的框人工补。修正完成后用修正后的数据微调模型再跑一轮推理迭代两三次标注质量会明显提升。跨区域验证是另一个容易被忽略的点。泥石流在不同气候区、不同岩性区的影像特征差异很大。在西南山区训的模型直接拿到西北干旱区用mAP 可能掉一半。我的习惯是至少留一个完全不同流域的影像做测试集不参与任何训练和调参。如果跨区域测试 mAP 低于 0.3说明模型过拟合了局部纹理需要增加不同区域的训练样本或者用域自适应方法做特征对齐。最后说一个我踩过的坑不要用同一颗卫星的影像训和测。不同卫星的传感器响应、分辨率、波段设置都不同模型会学到传感器特征而不是泥石流特征。训练集里至少混入两种卫星源测试集用第三种这样训出来的模型才有泛化性。希望帮到你。本文还有配套的精品资源点击获取