企业官网建设流程全解析

简介：针对遥感背景下建筑、山地、植被等典型地物的语义分割需求，压缩包内提供了一套七类像素级标注数据。图像分辨率统一为1024×1024，原图为jpg格式，掩膜标签为png格式，标注类别涉及背景、土地、建筑、农田、植被、水体等，具体标签说明可在随包的txt类别文件中查看。数据集已划分为训练集与验证集，其中训练集149张图片及对应掩膜，验证集37张图片及对应掩膜，结构清晰，免去自行标注与整理的环节，可直接用于语义分割模型的训练和效果对比。压缩包共375个文件，除图片和标签外，还包含类别定义txt与辅助脚本，整体约47.03MB，下载解压即可使用。目前已有166人学习，适合需要快速获取遥感分割数据、开展算法实验或项目演示的研究者与开发者，便于快速上手。

1. 遥感图像分割数据集：为什么标签文件才是 7 类分割项目的分水岭

遥感图像分割数据集这个方向，最容易被低估的是标签文件的价值——模型结构可以复现，训练参数可以公开，但一份类别边界干净、覆盖建筑、山地、植被等 7 类的标注文件，才是决定分割模型上线精度的真正分水岭。下面围绕一套遥感背景下的 7 类语义分割数据集，从类别体系设计、标签文件格式选型，到基于 SegFormer 的训练落地，再到标注质检与踩坑记录，按一条完整可复现的路径展开。适合正在做遥感图像语义分割、需要自制数据集或打算用现成数据训练分割模型的研究生、算法工程师和 GIS 开发。

2. 7 类语义分割的类别体系与标签文件格式：定标准是训练前最重要的事

2.1 七个类别怎么定：建筑、山地、植被之外的类别取舍原则

遥感影像里地物种类远不止 7 类，真正做数据集时不能凭感觉堆类别，而是按“互斥、完备、可标注”三个原则来筛。最常见的做法是把 7 类定成：背景、建筑、山地、植被、水体、道路、农田。其中建筑、山地、植被是标题里点名的三个显性类，剩下四类的取舍才是数据集质量的关键。

先看建筑和山地、植被之间的边界怎么切。建筑在遥感影像里指有屋顶和有墙体的构筑物，包括住宅、厂房、大型公共建筑，但集装箱、活动板房、温室大棚经常和建筑长一个样，必须在标注雷同里写明“温室大棚归农田，工地临时板房归背景”。山地的定义要避开植被覆盖的语义交叉：我一般把“自然地形抬升且植被覆盖度低于 40%”划归山地，植被覆盖度高于 40% 的坡面归植被。裸岩、碎石坡、稀疏灌木都算山地。这套规则不写清楚，两个标注员会在同一片山坡上给出完全不同的标签，模型训出来边界一定乱。

再看剩下四个类的取舍。水体和道路在遥感数据集中几乎必选，因为它们是建筑和植被之外最容易识别、也最有应用价值的对象。水体包括河流、湖泊、水库和养殖塘，静止水面按水体处理；道路指硬化路面，含街道和公路，但建筑墙脚紧贴的硬化地面要跟建筑归并，不能一个像素的路面就单独切开。农田和背景是两个“兜底”类：农田覆盖水稻田、旱地、果园、大棚，有明显耕作边界；背景放广场、裸地、云影、无法归类的杂地。

这 7 类之间的边界规则建议直接写进一份label_rule.md，并配三张典型示例图。类别冲突重灾区是建筑与道路夹角、山地与植被过渡带、水体与阴影交界处，这三处占标注返工量的八成。把规则前置到标注阶段，省下来的时间远超训练时调模型的成本。对最终做语义分割数据集的人来说，类别定义不是论文里的一句话，而是每一条可执行的像素级判定标准。

2.2 标签文件格式选型：PNG 掩码、GeoJSON 矢量与 RLE 编码的对比

语义分割数据集的标签文件在存储上有三种主流形态：单波段 PNG 掩码、GeoJSON 矢量、RLE 游程编码。同一个 7 类数据集，标签文件格式直接决定训练代码怎么写、二次修正怎么改、以及出问题后能不能“后悔”。

在遥感背景的数据集里，我一般用“矢量存底、PNG 出训练”的双轨策略：标注阶段全都存 GeoJSON，标注员在 QGIS 里勾多边形，属性表里写类别编号；发布训练集时用脚本把 GeoJSON 栅格化成与影像严格对齐的 PNG 掩码。GeoJSON 相当于整个数据集的后悔药——训练发现某类边界画错了，回 QGIS 改几个多边形重新栅格化就行，不用推倒重来。

配套还需要一份class_dict.json，把类别索引、类别名和 RGB 颜色对应起来。下面这段代码生成的标准 class_dict 可以作为数据集发布时的公共参考：

# build_class_dict.py import json class_names = [ "background", "building", "mountain", "vegetation", "water", "road", "farmland" ] # 颜色尽量选色相差大、且避免纯白纯黑的 colors = [ (0, 0, 0), # background (255, 0, 0), # building (0, 180, 0), # mountain (0, 255, 0), # vegetation (0, 0, 255), # water (255, 255, 0), # road (128, 64, 0), # farmland ] class_dict = { str(i): {"name": name, "color": color} for i, (name, color) in enumerate(zip(class_names, colors)) } with open("class_dict.json", "w", encoding="utf-8") as f: json.dump(class_dict, f, ensure_ascii=False, indent=2) print("class_dict.json generated,", len(class_names), "classes")

这段代码的作用是把类别定义固化成机器可读的 JSON，后续数据增强、可视化、评估脚本都从这一份文件读取类别名和颜色，避免在多个脚本里各写一份硬编码。注意三个参数：颜色表不能用 (255,255,255) 纯白和 (0,0,0) 纯黑作前景，因为遥感影像里的高光屋顶和阴影区频繁出现这两种像素值，质检时人眼容易看混；类别名建议统一小写英文，中文名放进一个附加字段，避免编码问题；索引从 0 开始连续编号，背景固定为 0，这样和 PyTorch 的 CrossEntropyLoss 默认映射一致。

PNG 掩码本身建议存单波段、像素值直接等于类别索引（0~6），不要为了“看得见”去存 RGB 彩色图。原因很简单：训练代码里 mask 读进来直接是LongTensor，省去一次 RGB 到索引的映射；而且 RGB 彩色图有 255 种组合，转回类别索引时一旦出现压缩伪色，标签就坏了。

3. 用 SegFormer 训练遥感 7 类分割：数据划分、训练代码与指标解读

3.1 遥感影像裁剪为训练瓦片：目录结构、滑窗与重叠参数

遥感影像动辄上万像素宽，直接整图训练显存放不下，常规做法是滑窗裁成 512×512 或 256×256 的瓦片。裁剪本身不是无脑切，overlap（重叠）参数必须设置，否则跨越瓦片边界的建筑物会被拦腰截断，模型训练时永远看不到完整轮廓，推理时边界处会出现锯齿。

推荐的目录结构如下：

dataset/ ├── images/ │ ├── train/ # 训练影像瓦片，GeoTIFF │ └── val/ # 验证影像瓦片，GeoTIFF ├── masks/ │ ├── train/ # 训练标签，单波段PNG，像素值0~6 │ └── val/ # 验证标签 ├── class_dict.json └── splits/ ├── train.txt └── val.txt

train.txt和val.txt里每行一个文件名（不带扩展名），DataLoader 按这个清单读取影像和 mask。目录与清单分离的好处是换划分方案时不用移动文件。

用 GDAL 写裁剪脚本是遥感数据处理的基本操作，代码如下：

# tiff2tiles.py from osgeo import gdal import os def tile_image(src_path, dst_img_dir, dst_mask_dir, tile_size=512, overlap=64): ds = gdal.Open(src_path) width, height = ds.RasterXSize, ds.RasterYSize band_count = ds.RasterCount step = tile_size - overlap # 滑窗步长 = 瓦片尺寸 - 重叠 count = 0 for y in range(0, height - tile_size + 1, step): for x in range(0, width - tile_size + 1, step): count += 1 tile_name = f"{os.path.basename(src_path)[:-4]}_{y}_{x}" driver = gdal.GetDriverByName("GTiff") dst_ds = driver.Create( os.path.join(dst_img_dir, f"{tile_name}.tif"), tile_size, tile_size, band_count, gdal.GDT_Byte, ) # 保留地理变换与投影，后续做标签对齐要用 dst_ds.SetGeoTransform(ds.GetGeoTransform()) dst_ds.SetProjection(ds.GetProjection()) for band in range(1, band_count + 1): data = ds.GetRasterBand(band).ReadAsArray(x, y, tile_size, tile_size) dst_ds.GetRasterBand(band).WriteArray(data) dst_ds = None print(f"{count} tiles generated from {src_path}") tile_image("raw/area1.tif", "dataset/images/train", "dataset/masks/train")

裁剪脚本的逻辑是先用gdal.Open读原图宽高，再按step = tile_size - overlap从左到右、从上到下移动窗口。SetGeoTransform和SetProjection这两行不能省，它们把地理坐标写到瓦片上，后面做掩码栅格化和标签对齐时全靠这组信息。overlap=64 在实际项目中是一个比较稳的默认值：512 瓦片配 64 重叠，约 14% 的像素会重复出现在相邻瓦片里，这给模型提供了跨边界的上下文。

如果原影像波段数多于 3（比如含近红外），裁剪脚本会自动把所有波段都写进瓦片。但训练时通常只取 RGB 三个波段，多波段场景我一般先做波段选择再裁剪，避免把数据量白白放大。

3.2 训练脚本与关键参数：以 SegFormer b0 为例

SegFormer 是遥感分割里目前用得最多的模型之一，在中低分辨率的多类别场景下对边界保持比 U-Net 好，且预训练权重成熟，拿来训练 7 类数据集很省事。训练脚本分两部分：Dataset 类和训练循环。

Dataset 类负责把瓦片和 mask 读进来、做数据增强、转 Tensor：

# dataset.py import os import numpy as np from PIL import Image import torch from torch.utils.data import Dataset import albumentations as A class RemoteSegDataset(Dataset): def __init__(self, img_dir, mask_dir, split_file, img_size=512, train=True): self.img_dir = img_dir self.mask_dir = mask_dir self.img_size = img_size self.train = train with open(split_file, "r", encoding="utf-8") as f: self.samples = [line.strip() for line in f if line.strip()] # 训练增强：随机裁剪+翻转+亮度对比，增强方向不变性 self.train_transform = A.Compose([ A.RandomResizedCrop(img_size, img_size, scale=(0.5, 1.0), p=1.0), A.HorizontalFlip(p=0.5), A.VerticalFlip(p=0.5), A.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.3), ]) self.val_transform = A.Compose([ A.CenterCrop(img_size, img_size), ]) def __len__(self): return len(self.samples) def __getitem__(self, idx): name = self.samples[idx] img = np.array(Image.open(os.path.join(self.img_dir, name + ".tif")).convert("RGB")) mask = np.array(Image.open(os.path.join(self.mask_dir, name + ".png")), dtype=np.int64) mask = np.clip(mask, 0, 6) # 防止标签里偶然出现255等异常值 if self.train: augmented = self.train_transform(image=img, mask=mask) else: augmented = self.val_transform(image=img, mask=mask) img_t = torch.from_numpy(augmented["image"].transpose(2, 0, 1)).float() / 255.0 mask_t = torch.from_numpy(augmented["mask"]).long() return img_t, mask_t

这个 Dataset 里值得注意的参数有三个：RandomResizedCrop的 scale 范围设成 (0.5, 1.0)，这意味着每张图会随机裁取原图 50% 到 100% 的区域并缩放到 512×512，等于白送一层尺度增强，对山区、农田这种尺度变化大的地物非常有效；np.clip(mask, 0, 6)是为了拦截标签里可能出现的脏像素值，防止训练时出现类别索引越界；convert("RGB")把多波段 TIF 前三个波段取出来，忽略近红外。

训练循环用 Hugging Face Transformers 的 SegFormer 接口：

# train_segformer_remote.py import torch from torch import nn from torch.utils.data import DataLoader from transformers import SegformerForSemanticSegmentation from dataset import RemoteSegDataset NUM_CLASSES = 7 LR = 6e-5 EPOCHS = 60 BATCH_SIZE = 8 DEVICE = "cuda" if torch.cuda.is_available() else "cpu" model = SegformerForSemanticSegmentation.from_pretrained( "nvidia/mit-b0", num_labels=NUM_CLASSES, ignore_mismatched_sizes=True, ) model.to(DEVICE) train_ds = RemoteSegDataset( "dataset/images/train", "dataset/masks/train", "splits/train.txt", train=True, ) val_ds = RemoteSegDataset( "dataset/images/val", "dataset/masks/val", "splits/val.txt", train=False, ) optimizer = torch.optim.AdamW(model.parameters(), lr=LR, weight_decay=0.01) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=EPOCHS) criterion = nn.CrossEntropyLoss(ignore_index=255) for epoch in range(EPOCHS): model.train() total_loss = 0.0 for imgs, masks in DataLoader(train_ds, batch_size=BATCH_SIZE, shuffle=True): imgs, masks = imgs.to(DEVICE), masks.to(DEVICE) outputs = model(pixel_values=imgs) loss = criterion(outputs.logits, masks) optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() scheduler.step() avg_loss = total_loss / len(train_ds) print(f"epoch {epoch+1}/{EPOCHS} loss {avg_loss:.4f}") torch.save(model.state_dict(), f"checkpoints/segformer_b0_ep{epoch+1}.pth")

训练脚本里四个关键配置直接影响收敛质量。ignore_mismatched_sizes=True必须打开，否则预训练分类头是 1000 类、换了 7 类后会报尺寸不匹配。ignore_index=255配合第 5 章要讲的“云影区域标成 255”策略，让模型完全忽略这些区域的梯度。学习率 6e-5 对 SegFormer b0 是一个实测稳妥的起点，大于 1e-4 通常会在前 5 轮出现 loss 震荡。CosineAnnealingLR在遥感分割里几乎必用，它能让学习率在后半段平滑下降，避免 loss 在收敛点附近来回弹。

3.3 mIoU、Kappa 与逐类 IoU：遥感分割指标怎么读

训练完只看 loss 没意义，遥感分割的验收指标是逐类 IoU 和 mIoU，Kappa 系数作为辅助参考。评估代码按混淆矩阵计算，这样既能得到总体指标，又能定位到具体哪个类别拖后腿：

# evaluate_remote_seg.py import numpy as np import torch from torch.utils.data import DataLoader from tqdm import tqdm def compute_metrics(hist): eps = 1e-6 iou_per_class = np.diag(hist) / ( hist.sum(axis=1) + hist.sum(axis=0) - np.diag(hist) + eps ) miou = np.nanmean(iou_per_class) total = hist.sum() p0 = np.diag(hist).sum() / total pe = (hist.sum(axis=0) * hist.sum(axis=1)).sum() / (total * total) kappa = (p0 - pe) / (1 - pe + eps) return miou, iou_per_class, kappa def evaluate(model, val_loader, num_classes=7): model.eval() hist = np.zeros((num_classes, num_classes), dtype=np.int64) with torch.no_grad(): for imgs, masks in tqdm(val_loader): imgs = imgs.to(DEVICE) logits = model(pixel_values=imgs).logits preds = logits.argmax(dim=1).cpu().numpy() masks = masks.numpy() for p, m in zip(preds, masks): valid = m != 255 p = p[valid] m = m[valid] hist += np.bincount( m * num_classes + p, minlength=num_classes * num_classes, ).reshape(num_classes, num_classes) miou, ious, kappa = compute_metrics(hist) class_names = ["background", "building", "mountain", "vegetation", "water", "road", "farmland"] for i, name in enumerate(class_names): print(f"{name:12s} IoU = {ious[i]:.4f}") print(f"mIoU = {miou:.4f}, Kappa = {kappa:.4f}")

代码核心是混淆矩阵的累加方式：m * num_classes + p把“真实类别—预测类别”组合编码成一维索引，bincount统计后 reshape 成 7×7 矩阵，这一招比双重循环快一个量级。valid = m != 255是配合 ignore_index 策略，把云影区域的像素从评估里剔除，否则这些纯噪声像素会同时压低真阳率和假阳率，让 mIoU 失真。

读指标时有个常见误区：mIoU 总体高不代表模型可用。比如山地和植被占了大头，这两个类 IoU 高能把 mIoU 拉到 0.85，但建筑 IoU 可能只有 0.35。所以在遥感项目里一定要打印逐类 IoU，哪一类低于 0.5 就回到 5.2 的去处理类别不平衡。Kappa 对类别不平衡更敏感，如果 Kappa 比 mIoU 低 0.1 以上，说明多数类虚高、少数类崩盘，这时候加权损失要马上跟上。

4. 从原始遥感影像到 7 类标签文件：数据制作的全流程

4.1 影像预处理：分辨率统一、波段合成与投影对齐

数据集的影像来源五花八门，有公开遥感影像、无人机正射影像、还有从地图服务里抓的静态图。预处理不做齐，后面每走一步都是坑。

第一件事是统一分辨率。0.5 米分辨率的无人机影像和 10 米分辨率的卫星影像混在一起，同是“建筑”，前者边缘轮廓清晰锐利，后者糊成一片。模型会学到“清晰的是建筑，模糊的是山地”这种完全错误的隐含关联。常见的处理方式是把所有影像重采样到同一个 GSD（地面采样距离），比如统一到 1 米或 2 米，语义分割对分辨率没有检测那么敏感，但 5 倍以上的分辨率差一定出问题。

第二件事是波段合成。多数开源模型吃 RGB 三通道，遥感多光谱影像通常选 R、G、B 三个波段直接合成 RGB；如果后续要解决水体与阴影的混淆，可以把近红外波段作为额外通道，让模型在 4 通道输入下学习“水体在近红外强吸收”的特性。但这要求模型第一层接受 4 通道输入，SegFormer 预训练权重是 3 通道，改通道等于放弃预训练，常见的做法仍是训练 RGB 三通道，把 NIR 留给专门训练的模型。

第三件事是投影与坐标对齐。不同来源的影像如果不在同一投影坐标系下，做标签栅格化时点位会整体偏移。我的习惯是全部统一到目标区域的 UTM 分区投影，用 GDAL 的gdal.Warp批量重投影到同一坐标系和分辨率，然后把投影信息写进瓦片。这一步不做，第 5 章要讲的标签错位问题会以最隐蔽的方式出现。

4.2 标注工具选型与像素级质检流程

7 类语义分割数据集的标注工作量取决于影像面积。几十张小图用 Labelme 逐张勾多边形可以胜任；上千张瓦片就必须用支持多人协作的标注工具，否则时间成本直接失控。常见做法是 QGIS 手工勾绘配合 CVAT 或 Supervisely 做半自动标注：先用分割模型预测一版粗结果，标注员在粗结果上修正边界，效率比从零画多边形高 3 倍以上。

标注规则里最容易出问题的是类别判定歧义。下表是一个可以直接抄走的标注判定表：

质检流程必须独立于标注流程。我一般抽 10% 的瓦片做人工复查，把预测 mask 以半透明色块叠加在原图上，放大到 200% 检查边界。边界容差允许 1~2 像素，如果同一批数据平均边界误差超过 3 像素，整批退回重标。另一个容易被忽略的步骤是“交叉标定”：让第二个标注员独立标注 5% 的影像，算一次两人标注结果间的平均 IoU，低于 0.9 说明标注规则本身有歧义，先修改规则再继续批量标注。

4.3 类别不平衡与数据增强：哪些手段真的有效

遥感 7 类分割里，山地和植被常常占了总像素的 60% 以上，建筑、道路加一起可能不到 10%。类别不平衡不解决，模型会倾向于把所有像素预测成植被和山地，mIoU 虚高但建筑类完全不可用。

数据增强方面，对遥感分割真正有效的是随机翻转、90° 旋转和随机裁剪缩放。遥感影像没有“上下”概念，水平垂直翻转和旋转 90° 不损失语义，这是比其他视觉任务更强的增强自由度。亮度对比度和高斯噪声只建议加一个，加多了会让模型在真实推理时的色调偏移上失控。CutMix 或 Mosaic 这类混合增强在遥感多类别分割里效果不稳定，容易把被剪切地物的边角打乱，常见做法是用类别加权损失代替这类激进增强。

类别不平衡的根治手段有两个。第一个是少数类过采样，训练时对包含建筑、道路像素的瓦片提高采样概率，比如统计每个训练瓦片的类别直方图，含有小类的瓦片重复进 batch。第二个是类别加权损失，把 CrossEntropy 的权重设成1 / sqrt(freq)，频率越低权重越高，简单有效。这两个手段要在训练脚本里同时用，单靠一个撑不住建筑这类极少数类别。

5. 遥感语义分割常见问题排查：7 类数据里的 5 个翻车现场

5.1 训练 loss 不降：标签文件读进来为什么全是背景

现象：训练几个 epoch，loss 一直在高位徘徊不下降，验证时所有预测结果都是背景类。

原因：最常见的是标签读取环节出了黑匣子错误。PNG 掩码如果是 16 位单波段 TIF，用 PIL 的Image.open读进来默认当成 8 位处理，高 8 位全丢，像素值全部变成 0；或者 GeoJSON 栅格化时窗口没对齐，生成的 mask 整片是背景。

解决：在 Dataset 的__getitem__里加一条校验断言，统计 mask 的类别直方图，如果逐类像素数与预期不符直接报错。我习惯在每个 epoch 结束时打印一次训练集的类别分布表，能立刻发现标签文件是否被错误读取。

5.2 建筑 IoU 不到 0.5：类别不平衡把梯度全吃掉了

现象：mIoU 有 0.8，但逐类 IoU 打印出来，建筑只有 0.3，道路 0.4，山地植被都超过 0.9。

原因：建筑和道路在整幅影像里占比太小，交叉熵损失把绝大多数梯度贡献给了占有像素最多的植被和山地，模型学不到小类的区分特征。

解决：先按 4.3 做类别加权损失和少数类过采样，再来看指标。如果加了权重后建筑仍然上不去，就要检查标注本身——建筑屋顶颜色和道路材质在可见光下本来接近，如果标注边界又粗糙，模型学到的特征会被噪声淹没。调试时单独取一批建筑密集的瓦片做可视化，看预测边界是偏大还是偏碎。

5.3 验证集很好、新影像全错：同图泄漏与时相差异

现象：训练和验证集上的 mIoU 都很高，但把模型部署到另一块区域、另一时相的影像上，精度断崖式下跌。

原因：遥感影像存在强烈的空间自相关，训练和验证如果来自同一景影像，模型其实在记忆“这片区域的纹理”，而不是在学“建筑长什么样”。另一种原因是时相差异——训练集全是夏季影像，推理时给的是冬季影像，植被、农田的外观差异会骗过模型。

解决：划分 train/val 时按“景”切而不是按像素切，一景影像要么全在训练、要么全在验证，保证验证集与训练集没有任何空间重叠。数据集要尽量覆盖 3 个以上不同时相、不同区域的影像，让模型学到跨场景的泛化能力，而不是记住某一块地的纹理。

5.4 预测边界整体偏移：投影不一致导致标签错位

现象：模型整体形状预测得不错，但所有目标物的轮廓像被推了一格，建筑边缘整体偏移十几个像素。这个偏移在不同瓦片上方向一致，而且大小固定。

原因：影像瓦片和 mask 栅格化的投影基准不一致。比如影像在 Web Mercator 投影下载，GeoJSON 用 UTM 坐标栅格化，栅格化后 mask 与影像的像素网格没有对齐，整个标签图发生了平移。

解决：在栅格化代码里严格使用与影像相同的地理变换参数。核对方法是取三到五个地面控制点——道路交叉口、建筑物角点——在影像和 mask 上对比像素坐标，误差超过 2 个像素就要回查投影和重采样参数。这个问题在训练代码里几乎无法发现，因为指标看起来只是整体偏低，不会提示错位。

5.5 阴影把水体带偏：深色像素的类别歧义怎么解

现象：预测图在山区背光面出现大片水体，实际上那是山体阴影；反之，部分深色水体被预测成植被或阴影。

原因：RGB 影像里阴影和水体在灰度上高度相似，模型学到的是“深色像素=水体”的简单规则。类别定义里没有“阴影”这个类，所有深色像素被迫塞进水体和背景里，模型只能在这两个类之间做没有意义的区分。

解决：两种路径。第一种是在标注阶段把山体阴影单独标记为忽略区，mask 像素值设为 255，训练时ignore_index=255，让模型不再被迫学阴影的归属。第二种是引入近红外波段，水体在近红外波段吸收强烈而阴影区反射较强，这个物理特征能在颜色之外把两者分开，但需要模型支持多通道输入。对大多数 RGB 训练场景，第一种方案是性价比最高的。

6. 把 7 类遥感分割模型做到可交付：可视化、矢量化与选型边界

6.1 分割结果叠加原图：用典型难例替代指标作为验收标准

指标只是数字，真正交付前要看图。我的习惯是每次训练完固定跑一组“硬样本”——建筑密集区、山地阴影区、水体边界、窄道路各选十张，把预测 mask 叠加在原图上存档，训练前后对比。下面是叠加可视化代码：

# visualize_overlay.py import cv2 import numpy as np def overlay_mask(img, pred, alpha=0.5): color_map = np.array([ [0, 0, 0], [255, 0, 0], [0, 180, 0], [0, 255, 0], [0, 0, 255], [255, 255, 0], [128, 64, 0], ], dtype=np.uint8) colored = color_map[pred] return cv2.addWeighted(img, 1 - alpha, colored, alpha, 0)

看可视化时重点看三处：建筑物墙角是否被抹圆、窄道路是否有断点、山地植被过渡带是否出现椒盐噪声。这三类问题 mIoU 指标反映不出来，但 GIS 交付时一眼就能看到。生态遥感指数计算这类下游任务，也依赖分割结果里植被、水体的边界是完整连通的，而不是破碎的。

6.2 mask 转矢量：连通域过滤与多边形抽稀参数

GIS 交付通常需要把掩码转成矢量面。直接调用cv2.findContours会产出大量碎多边形，必须做两个后处理：连通域面积过滤和多边形抽稀。

# mask2vector.py import cv2 import numpy as np def mask_to_polygons(label_mask, class_id, min_area=50, epsilon_factor=0.0005): binary = (label_mask == class_id).astype(np.uint8) contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) polygons = [] for cnt in contours: area = cv2.contourArea(cnt) if area < min_area: continue # 过滤碎块，min_area按分辨率折算 epsilon = epsilon_factor * cv2.arcLength(cnt, True) approx = cv2.approxPolyDP(cnt, epsilon, True) polygons.append(approx.squeeze().tolist()) return polygons

min_area=50在 0.5 米分辨率下大约是 12.5 平方米，对应一个小杂物间，低于这个面积的连通域基本是预测噪声。epsilon_factor=0.0005控制抽稀强度，值越大轮廓越平滑但细小凸起丢失越多，0.0005 是保留建筑直角特征的安全值。这两个参数必须按实际分辨率和交付精度要求重新折算，不能照搬。

6.3 语义分割与实例分割的选型边界

热搜里经常看到 yolo26 中实例分割与语义分割的区别这种讨论，在遥感项目里这两条路线要早做决定。本文这套 7 类方案是语义分割，每个像素一个类别标签，适合土地利用分类、面积统计、生态遥感指数计算这类“算面积、看分布”的任务。如果需求是“把每栋建筑单独框出来、数清楚有多少栋”，语义分割给不了独立目标编号，必须走实例分割路线，比如 Mask R-CNN 或 YOLOv8-seg 这类模型。遥感语义分割数据集和实例分割数据集在标签形态上就是两类东西——一个是像素级掩码，一个是逐目标的独立掩码和框，做数据集之前先想清楚下游要什么，能省掉一整轮返工。

最后说一个这几年反复踩过的教训：数据集里最容易出问题的不是模型，而是标签文件与影像之间那层看不见的错位。每次跑完训练，第一件事是把预测结果叠加到原图上，用眼睛扫三分钟，比任何指标都管用。这个检查习惯帮我挡掉过很多次边界偏移、类别混淆和过拟合假象。希望帮到你。

本文还有配套的精品资源，点击获取