微信小程序音乐源码从解压到跑通全流程指南
2026/8/31 19:23:44
电力巡检数据集 电缆，铁塔木塔混凝土数据集![]()
航空影像的输电线路与输电塔分割数据集。
该数据集包含1234张图像，超高分辨率（约3840×2160）标注了11447个对象，
属于5个不同的类别，包括电缆（cable）、铁塔（tower_lattice）、木塔（tower_wooden）以及其他两种类型：混凝土或钢结构混合塔（tower_tucohy）和空白肉眼不可见线缆（void），
共3GB
好的，我们将基于提供的航空影像数据集构建一个输电线路与输电塔分割系统。我们将使用PyTorch框架来训练一个语义分割模型，并使用U-Net架构进行实现。前端界面将使用Flask，而UI界面将使用PyQt5。
PyQt5 UI 应用入口
importsys from PyQt5.QtWidgetsimportQApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog, QMessageBox from PyQt5.QtGuiimportQPixmap from PyQt5.QtCoreimportQtimportrequestsimportjsonimportbase64 class MainWindow(QMainWindow): def __init__(self): super().__init__()self.setWindowTitle("Aerial Imagery Segmentation System")self.setGeometry(100,100,800,600)self.image_label=QLabel(self)self.image_label.setAlignment(Qt.AlignCenter)self.upload_button=QPushButton("Upload Image", self)self.upload_button.clicked.connect(self.upload_image)self.result_label=QLabel("", self)self.result_label.setAlignment(Qt.AlignCenter)self.result_label.setStyleSheet("font-size: 16px; font-weight: bold;")self.segmentation_label=QLabel(self)self.segmentation_label.setAlignment(Qt.AlignCenter)layout=QVBoxLayout()layout.addWidget(self.image_label)layout.addWidget(self.upload_button)layout.addWidget(self.result_label)layout.addWidget(self.segmentation_label)container=QWidget()container.setLayout(layout)self.setCentralWidget(container)def upload_image(self): options=QFileDialog.Options()file_path, _=QFileDialog.getOpenFileName(self,"QFileDialog.getOpenFileName()","","Images (*.png *.xpm *.jpg);;All Files (*)",options=options)iffile_path: pixmap=QPixmap(file_path)self.image_label.setPixmap(pixmap.scaled(400,400, Qt.KeepAspectRatio))files={'file':open(file_path,'rb')}response=requests.post('http://127.0.0.1:5000/predict',files=files)result=response.json()pred_base64=result['prediction']pred_bytes=base64.b64decode(pred_base64)pred_pixmap=QPixmap()pred_pixmap.loadFromData(pred_bytes)self.segmentation_label.setPixmap(pred_pixmap.scaled(400,400, Qt.KeepAspectRatio))if__name__=="__main__":app=QApplication(sys.argv)window=MainWindow()window.show()sys.exit(app.exec_())项目结构
aerial_imagery_segmentation/ ├── data/ │ ├─`在这里插入代码片`─ images/ │ ├── img_00001.png │ ├── img_00002.png │ └── ... │ └── masks/ │ ├── img_00001_mask.png │ ├── img_00002_mask.png │ └── ... ├── models/ │ ├── unet.pth ├── app.py # Flask应用入口 ├── ui_app.py # PyQt5 UI应用入口 ├── train_unet.py # U-Net模型训练脚本 ├── utils.py # 工具函数 ├── requirements.txt # 依赖项 └── README.md # 项目说明文档安装依赖项
首先，安装所需的Python库：
pipinstalltorch torchvision flask pyqt5 matplotlib scikit-learn pandas seaborn albumentations opencv-python-headless数据集准备
假设你已经有一个航空影像分割数据集，目录结构如上所示。如果没有，可以从公开的数据集中下载或自行收集。
训练模型
U-Net 模型训练
前端界面 (Flask)
app.py文件
templates/index.html文件
创建一个简单的HTML模板用于上传图片并显示预测结果：
<!DOCTYPEhtml><htmllang="en"><head><metacharset="UTF-8"><metaname="viewport"content="width=device-width, initial-scale=1.0"><title>Aerial Imagery Segmentation</title><style>body{font-family:Arial,sans-serif;display:flex;justify-content:center;align-items:center;height:100vh;background-color:#f4f4f4;}.container{text-align:center;background-color:white;padding:20px;border-radius:8px;box-shadow:0 0 10pxrgba(0,0,0,0.1);}input[type="file"]{margin-bottom:20px;}button{padding:10px 20px;background-color:#007bff;color:white;border:none;border-radius:5px;cursor:pointer;}button:hover{background-color:#0056b3;}.result{margin-top:20px;font-size:1.2em;}.segmentation-result{margin-top:20px;}</style></head><body><divclass="container"><h1>Upload Aerial Image</h1><formid="upload-form"enctype="multipart/form-data"><inputtype="file"id="file-input"name="file"accept="image/*"required><br><br><buttontype="submit">Predict</button></form><divclass="segmentation-result"id="segmentation-result"></div></div><script>document.getElementById('upload-form').addEventListener('submit',function(event){event.preventDefault();constformData=newFormData(this);fetch('/predict',{method:'POST',body:formData}).then(response=>response.json()).then(data=>{constimgElement=document.createElement('img');imgElement.src='data:image/png;base64,'+data.prediction;document.getElementById('segmentation-result').innerHTML='';document.getElementById('segmentation-result').appendChild(imgElement);}).catch(error=>console.error('Error:',error));});</script></body></html>UI界面 (PyQt5)
ui_app.py文件
运行项目
启动Flask服务器:
python app.py启动PyQt5 UI应用:
python ui_app.py
解释
- 数据预处理: 使用
albumentations进行数据增强。 - 模型训练: 使用自定义的U-Net模型进行训练，并绘制损失曲线。
- Flask应用: 提供一个简单的Web界面用于上传图像并获取预测结果。
- PyQt5 UI应用: 提供一个图形化的用户界面用于上传图像并显示预测结果。
通过这些步骤，你可以构建一个完整的航空影像分割系统，包括训练、评估、前端和服务端代码。