AI卫星与遥感图像分类：从PyTorch训练到ONNX部署的完整实践

最近有一条消息在科技圈引起不少讨论：马斯克提出一个听起来很像科幻片设定的计划，打算用 AI 卫星让地球在“未来约 10 亿年”内保持宜居。很多人第一反应是段子，第二反应是“这和我有什么关系”。但从技术角度，这个设想真正值得拆解的，不是 10 亿年这个时间尺度，而是背后已经真实存在的技术方向——AI 卫星。

先给一个明确判断：把 AI 放到卫星上，用太空视角持续监测、预测并逐步干预地球系统，这件事已经不是 PPT，而是正在发生的工程变革。无论是自然资源管理、农业气象部门，还是商业航天公司，都在围绕星上 AI 做部署；它解决的问题，从森林火情预警、洪水监测，到农业估产、碳排放核查，都是实打实的业务场景。

这篇文章不打算替马斯克背书，也不打算把“10 亿年”当成严谨科学结论。我想做的是：以这个新闻为引子，拆解 AI 卫星从技术原理、系统架构到工程落地的完整链路，并带你用 PyTorch、ONNX Runtime 和 FastAPI 跑通一个最小可用的遥感图像分类项目。读完你可以自己做一次“星上影像 + 地面推理”的模拟实验。

1. 这篇文章真正要解决的问题

如果你只关注热搜标题，很容易把它归入“马斯克又开始画饼”的类别。但换个角度，这种长期愿景的价值恰恰在于迫使我们去思考一个更具体的问题：如果想让地球在较长尺度内保持宜居，技术人手里现在真正可用的工具有哪些？

答案不是某个单一的黑科技，而是一套已经成体系的工程链路：

• 看得见：卫星持续采集地球影像、气象数据、光谱信息。
• 算得懂：AI 模型把海量影像转换为“哪里着火了”“哪里受旱了”“哪里在违规排放”等可执行判断。
• 干预得了：将判断结果下发给地面应急、环保、农业、城市管理部门，形成闭环。

马斯克新闻里提到的“AI 卫星”，如果拆开看，就是这三个环节的组合。传统方案中，卫星只负责“拍照回传”，AI 在地面数据中心处理，存在两个致命瓶颈：一是回传带宽不够，二是时效太差。星上 AI 的思路，是让卫星在太空直接把影像初步分析和筛选掉，只回传“有价值的那几张图”，这是架构层面的一次重大变化。

所以这篇文章适合谁读？

• 做 AI 应用开发的工程师，想了解遥感场景如何落地；
• 正在调研“模型部署”方案的算法工程师，关心端侧推理、模型压缩、ONNX 转换；
• 对航天和 AI 交叉方向感兴趣的开发者，想建立一个整体技术框架；
• 以及那些只是想看懂“马斯克 AI 卫星”到底在说什么的技术读者。

读完你能得到一个从 0 到 1 的最小案例，也能理解为什么“星上 AI”和“地面 AI”在工程上的难度完全不同。

2. 基础概念与核心原理

2.1 什么是 AI 卫星

AI 卫星不是一个严格的行业标准词，通常指两类能力的叠加：

• 卫星平台本身带智能计算能力，也就是星上 AI 或边缘计算；
• 地面系统利用 AI 处理卫星下传的遥感数据，生成决策支持信息。

现实中，第二种已经广泛落地，第一种正在快速成熟。早期遥感卫星是“中继模式”：卫星把原始影像全部传回地面站，科学家再慢慢处理。现在越来越流行“边缘模式”：卫星在轨先做云检测、目标检测、图像质量评估，把有效信息压缩后回传。这很像手机拍照后先在本地做夜景合成，再只传最优的一张原图，而不是把 10 张 RAW 都传到云端。

2.2 遥感 AI 的几类典型任务

在“保持地球宜居”这类的长期目标下，变化检测和语义分割可能是最关键的。因为我们要判断的不是某个瞬间地球怎么样，而是它在一段时间内是变好还是变坏。

2.3 从地面 AI 到星上 AI

把模型部署到卫星上，和部署到普通服务器完全不同。

第一是算力。卫星的功耗、体积都受严格限制，不可能背一块 A100。主流方案是使用针对太空环境加固的轻量级 AI 芯片或 FPGA，很多星上平台的算力甚至低于普通手机。因此模型必须做量化、剪枝、知识蒸馏，把复杂度压缩到很低。

第二是环境。卫星会经历强辐射、剧烈温差、空间单粒子翻转问题，普通芯片很容易出错。工程上要做冗余设计、故障自愈、定期模型重启等。

第三是数据分布。地面训练数据是有限的采样，太空里看到的是完整地球的多样场景。星上模型必须对新场景足够鲁棒，否则会出现明显的“分布外漂移”问题。这和 AI 幻觉还不一样，但同样会让模型输出不可信，因此工程上会引入置信度过滤、多模型投票等机制。

3. 环境准备与前置条件

我们先不直接上卫星，先用一个本地最小工程模拟“AI 卫星”的完整流程。这个示例会包含：数据准备、模型训练、模型导出、服务化部署四个步骤。

推荐环境如下，版本请以实际安装为准，本文重点是演示通用思路：

• 操作系统：Ubuntu 20.04 或 Windows 10/11，macOS 也可以；
• Python 3.9 或 3.10；
• PyTorch 2.x，CPU 版本即可完成示例，有 NVIDIA GPU 更好；
• onnxruntime，用于模型推理；
• FastAPI 和 uvicorn，用于部署 HTTP 服务；
• Docker（可选），用于环境打包；
• 数据集：EuroSAT，这是一个公开的遥感图像分类数据集，包含 10 类地物，例如森林、河流、农田、工业区等，单张图像 64×64 RGB。

建议创建一个独立虚拟环境：

python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate

然后安装依赖：

pip install torch torchvision onnxruntime fastapi uvicorn pillow numpy

如果还没有下载 EuroSAT，可以手动准备一个简化数据集：按train/类别名/图片和val/类别名/图片的目录结构存放任意 RGB 图片，代码也能跑通。这有助于先理解流程，再替换成真实遥感数据。

4. 核心流程拆解

整个“AI 卫星最小工程”可以拆成四步，每一部都有对应的人工操作和代码。

第一步：数据准备。

从公开遥感数据集中把图片整理成训练集和验证集。这一步最关键的是避免数据泄露，也就是说同一区域的影像不能既出现在训练集又出现在验证集。如果做分类任务，建议按影像块或按区域切分，而不是简单随机切分。

第二步：模型训练。

使用预训练的 ResNet18 做迁移学习。遥感影像和 ImageNet 自然图像有一定差异，但低层特征仍然通用。直接把最后全连接层替换成 10 类输出，训练少量 epoch 就能收敛。实际项目里，如果数据量少，最好是冻结前面的层，只训练最后的分类头，然后再逐步解冻微调。

第三步：模型导出。

把 PyTorch 模型导出为 ONNX 格式。ONNX 是模型交换格式，很多推理引擎都能加载，也是星上推理平台常见的中间格式之一。导出时要注意动态 batch 设置，方便后续以不同的批量做推理。

第四步：服务化部署。

使用 FastAPI 封装推理服务，接收图片并返回分类结果和置信度。在真实系统中，这一步对应地面站的数据服务，也就是“卫星把有效图片回传后，地面系统立刻给出判断”的环节。

在这个最小流程中，我没有真正运行在轨推理，但工程链路和真实项目是一致的：数据、训练、压缩、推理、接口化。

5. 完整示例与代码实现

5.1 数据准备脚本

文件路径：prepare_dataset.py

import random import shutil from pathlib import Path # 原始数据目录，请改成你自己的 EuroSAT 解压目录 SOURCE_ROOT = Path("data/EuroSAT/2750") OUTPUT_ROOT = Path("data/split") TRAIN_RATIO = 0.8 SEED = 42 random.seed(SEED) all_images = [] for class_dir in SOURCE_ROOT.iterdir(): if not class_dir.is_dir(): continue imgs = list(class_dir.glob("*.jpg")) if not imgs: continue for img in imgs: all_images.append((img, class_dir.name)) print(f"total images: {len(all_images)}") random.shuffle(all_images) split_idx = int(len(all_images) * TRAIN_RATIO) train_items = all_images[:split_idx] val_items = all_images[split_idx:] for split_name, items in [("train", train_items), ("val", val_items)]: for img_path, label in items: dest_dir = OUTPUT_ROOT / split_name / label dest_dir.mkdir(parents=True, exist_ok=True) dest_file = dest_dir / img_path.name shutil.copy2(img_path, dest_file) print(f"train: {len(train_items)}, val: {len(val_items)}")

脚本会把原始遥感数据按 8:2 随机划分成训练集和验证集，并将图片复制到data/split目录下。ImageFolder要求子目录名就是类别名，所以这里用类别目录作为标签。

实际工程中要留意：如果数据是同一个区域的多时相切片，直接随机划分可能导致模型“作弊”，正确做法是按区域分组后划分。这个细节会在第 7 章讲。

5.2 遥感图像分类模型训练

文件路径：train_satellite.py

import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") DATA_ROOT = "data/split" NUM_CLASSES = 10 BATCH_SIZE = 32 EPOCHS = 5 train_transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) val_transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_ds = datasets.ImageFolder(root=f"{DATA_ROOT}/train", transform=train_transform) val_ds = datasets.ImageFolder(root=f"{DATA_ROOT}/val", transform=val_transform) train_loader = DataLoader(train_ds, batch_size=BATCH_SIZE, shuffle=True, num_workers=2) val_loader = DataLoader(val_ds, batch_size=BATCH_SIZE, shuffle=False, num_workers=2) # 兼容不同版本 torchvision 的写法 try: model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) except AttributeError: model = models.resnet18(pretrained=True) model.fc = nn.Linear(model.fc.in_features, NUM_CLASSES) model.to(DEVICE) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(1, EPOCHS + 1): model.train() running_loss = 0.0 for images, labels in train_loader: images = images.to(DEVICE) labels = labels.to(DEVICE) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() * images.size(0) epoch_loss = running_loss / len(train_ds) model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: images = images.to(DEVICE) labels = labels.to(DEVICE) outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = correct / total print(f"epoch={epoch}, loss={epoch_loss:.4f}, val_acc={val_acc:.4f}") torch.save(model.state_dict(), "satellite_resnet18.pth") print("model saved to satellite_resnet18.pth")

这段代码的思路是迁移学习：加载在 ImageNet 上预训练的 ResNet18，替换最后一层分类器，然后用遥感图像微调。对于新场景，如果类别数不是 10，修改NUM_CLASSES即可。训练结束后，权重保存到satellite_resnet18.pth。

5.3 导出 ONNX 模型

文件路径：export_onnx.py

import torch from torchvision import models import torch.nn as nn NUM_CLASSES = 10 MODEL_PATH = "satellite_resnet18.pth" ONNX_PATH = "satellite_resnet18.onnx" model = models.resnet18() model.fc = nn.Linear(model.fc.in_features, NUM_CLASSES) state = torch.load(MODEL_PATH, map_location="cpu") model.load_state_dict(state) model.eval() dummy_input = torch.randn(1, 3, 64, 64) torch.onnx.export( model, dummy_input, ONNX_PATH, input_names=["input"], output_names=["output"], dynamic_axes={ "input": {0: "batch"}, "output": {0: "batch"}, }, opset_version=12, ) print(f"onnx model exported to {ONNX_PATH}")

导出 ONNX 是为了把模型从 PyTorch 生态中解耦。之后无论用 onnxruntime、TensorRT，还是某些星上推理框架，都可以加载这个中间表示。dynamic_axes允许推理时 batch 大小可变，实际部署中更灵活。

5.4 推理服务与 Dockerfile

文件路径：api_server.py

import io import numpy as np import onnxruntime as ort from fastapi import FastAPI, File, UploadFile from PIL import Image app = FastAPI(title="AI Satellite Inference API") session = ort.InferenceSession( "satellite_resnet18.onnx", providers=["CPUExecutionProvider"], ) CLASS_NAMES = [ "AnnualCrop", "Forest", "HerbaceousVegetation", "Highway", "Industrial", "Pasture", "PermanentCrop", "Residential", "River", "SeaLake", ] def preprocess(image: Image.Image) -> np.ndarray: image = image.resize((64, 64)) arr = np.array(image, dtype=np.float32) / 255.0 mean = np.array([0.485, 0.456, 0.406], dtype=np.float32) std = np.array([0.229, 0.224, 0.225], dtype=np.float32) arr = (arr - mean) / std # HWC -> CHW arr = arr.transpose(2, 0, 1) # NCHW arr = np.expand_dims(arr, axis=0) return arr @app.post("/predict") async def predict(file: UploadFile = File(...)): data = await file.read() image = Image.open(io.BytesIO(data)).convert("RGB") input_tensor = preprocess(image) outputs = session.run(["output"], {"input": input_tensor})[0] pred_idx = int(np.argmax(outputs[0])) confidence = float(np.max(outputs[0])) return { "class": CLASS_NAMES[pred_idx], "confidence": confidence, }

文件路径：requirements.txt

fastapi uvicorn[standard] onnxruntime Pillow numpy

文件路径：Dockerfile

FROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY api_server.py . COPY satellite_resnet18.onnx . EXPOSE 8000 CMD ["uvicorn", "api_server:app", "--host", "0.0.0.0", "--port", "8000"]

这里展示的是一个非常典型的地面推理服务。真实系统中的“AI 卫星地面平台”会和这个架构类似，只是模型更多、输入源更复杂、还需要接入时序数据和地理信息系统。requirements.txt没有锁版本，适合先跑通流程，生产环境建议锁定具体版本。

6. 运行结果与效果验证

在正式运行之前，请确认当前目录下已经有data/split数据。如果还没有，先执行：

python prepare_dataset.py

预期输出类似：

total images: 27000 train: 21600, val: 5400

然后开始训练：

python train_satellite.py

如果数据准备正确，训练过程中会看到类似输出：

epoch=1, loss=1.1256, val_acc=0.6345 epoch=2, loss=0.7421, val_acc=0.7621 epoch=3, loss=0.5213, val_acc=0.8134 epoch=4, loss=0.3527, val_acc=0.8472 epoch=5, loss=0.2314, val_acc=0.8736

不同场景的数据分布会使准确率有差异，但正常的判断标准是：验证集准确率逐步上升，且没有出现训练集准确率很高、验证集准确率大幅落后的现象。

模型训练完成后，导出 ONNX：

python export_onnx.py

成功后目录下会生成satellite_resnet18.onnx。

接下来启动推理服务：

uvicorn api_server:app --host 0.0.0.0 --port 8000

启动日志显示Application startup complete后，另开一个终端，用 curl 测试：

curl -X POST http://127.0.0.1:8000/predict \ -F "file=@/path/to/a/test_image.jpg"

返回结果示例：

{ "class": "Forest", "confidence": 0.9213 }

如果返回结果是合法的类别名，且置信度大于 0.5，说明整个链路已经跑通。如果失败，优先检查三个地方：数据目录是否为空、模型文件是否生成、上传图片是否能正常打开。

7. 常见问题与排查思路

这里特别想强调一个容易忽略的坑：类别顺序一致性。训练时ImageFolder会按照字母序生成class_to_idx，如果推理代码里手动写的CLASS_NAMES顺序和它不一致，结果会完全错乱。更稳妥的做法是把class_to_idx保存下来，直接加载。

另外，遥感影像常用多光谱数据，包含红边、近红外、短波红外等波段。如果直接套用 RGB 模型，会损失很多信息。实际项目中通常会对模型输入层做改造，把多光谱波段作为额外通道输入，或者在预处理阶段先做波段融合，这是一个值得深入的方向。

还有一个和 AI 幻觉相关的点：分类模型会无条件输出一个类别，即使输入图片根本不是卫星影像。因此生产级系统必须增加置信度阈值、输入校验、后处理规则，必要时还要用多个模型交叉验证，而不是直接信任模型的输出。

8. 最佳实践与工程建议

8.1 从地面到星上的模型压缩

如果目标是在轨推理，不能直接部署 500MB 的深度学习模型。工程上常用这几种手段：

• 量化：把 FP32 权重转为 INT8，推理速度可以提升数倍，显存占用大幅下降；
• 剪枝：删除不重要的通道或神经元，减小模型体积；
• 知识蒸馏：先训练一个大模型，再用它的输出监督一个小模型；
• 轻量化网络：直接使用 MobileNet、EfficientNet-Lite 这类为端侧设计的网络。

以 EuroSAT 分类任务为例，MobileNetV3 或 EfficientNet-Lite 在 64×64 输入上表现并不比 ResNet18 差太多，但参数量和计算量能减少一个量级。这是星上部署的优势选择。

8.2 地面与星上的协同架构

现实中，AI 卫星不会把全部 AI 放在天上。更合理的架构是“多层协同”：

• 星上做初筛和压缩：云检测、图像质量判断、简单目标检测；
• 地面做精细处理：多时相分析、变化检测、大模型理解；
• 云端做全局性决策：灾害评估、排放核算、长期趋势预测。

星上 AI 的目标不是替代地面 AI，而是降低通信链路的压力。想象一颗卫星每天拍摄上万张图片，如果只回传其中有价值的 5%，带宽成本和时效压力都会完全不同。

8.3 用 AI Agent 编排观测任务

AI Agent 在遥感领域有一个很自然的用法：用自然语言描述需求，Agent 帮你编排“调用哪个卫星、选择哪个区域、拉取哪段时间的数据、跑哪个模型、输出什么报告”。这类系统正在快速出现，也是“AI 应用开发”在航天领域最有想象力的部分之一。

从工程角度看，Agent 不是一个单独的模型，而是一套工具调用链。它需要把卫星数据目录、GIS 服务、模型推理服务、报告生成模块统一封装成工具，然后通过 LLM 做任务拆解和编排。这里的难点是可靠性：Agent 漏掉一个遥感数据的基础条件，比如云层覆盖，就可能导致结论完全错误。所以生产级系统不建议让 Agent 直接做科学决策，而是让它做流程助理，最终判断仍然交给专业系统。

8.4 数据合规与安全边界

卫星数据不是普通数据。不同地区的遥感影像、高分辨率地理位置信息，可能涉及敏感边界、基础设施安全和隐私问题。工程上必须考虑：

• 数据获取和使用要在合法授权范围内；
• 模型训练数据要经过脱敏处理；
• 涉及地图和定位信息时，要遵守地理信息管理的相关规范；
• 对外提供服务时，要对访问权限做最小化控制，按角色分配能力。

这方面没有统一的“放之四海而皆准”的规则，但最小权限、可审计、可回滚是基本原则。

8.5 对“10 亿年”愿景的工程视角

回到马斯克那个“10 亿年”的计划，如果用工程技术思维审视，它更像是一个信号而不是一个产品规划。真正的技术挑战在于：长期保持地球宜居，需要的是持续观测、精准预测和及时干预，这三件事没有任何一件能靠单颗卫星完成，必须靠完整的星座系统、地面网络、AI 模型和决策机制协同工作。

对普通技术人来说，这个愿景的意义是提醒我们关注以下真实趋势：

• 卫星成本快速下降，商业卫星组网越来越容易；
• 端侧 AI 硬件能力持续增强，星上推理从可能变成可行；
• 大模型和 AI Agent 开始进入遥感数据理解领域；
• 气候变化、双碳核查、灾害应急等业务正在大量采购遥感 AI 服务。

因此，即使“10 亿年”只是一个鼓舞性的表达，AI 卫星这条技术路线本身也值得认真投入学习。

9. 总结与后续学习方向

这篇博客从一条科技新闻出发，拆开了 AI 卫星背后的关键技术链路，并且提供了一个可以直接运行的遥感图像分类项目。现在你可以自己完成以下事情：用公开遥感数据集做数据预处理，用 PyTorch 训练一个分类模型，把模型导出为 ONNX，再通过 FastAPI 部署成一个可调用的服务。

如果继续深入，建议按下面几个方向走：

• 把分类任务升级为语义分割，使用 U-Net 或 SegFormer，提取水体、森林、城市边界；
• 把单帧识别升级为多时相变化检测，这是灾害评估和违建监测最常用的能力；
• 研究模型量化，把 INT8 模型部署到 Jetson 或其他边缘设备，模拟星上推理；
• 尝试用 AI Agent 串联数据检索、模型调用和报告生成，做一个真正的“遥感问答助手”；
• 关注多光谱数据的特点，改造网络输入，让模型真正理解植被指数、水体指数等遥感专业特征。

最后提醒一句：任何 AI 卫星系统，落地时都离不开两个前提——数据来源合法、结果可验证。模型在训练集上再准，到了真实卫星影像上也可能失效，必须建立持续的线上评估和数据回流机制，让模型在真实分布中不断更新。技术本身是中性的，真正决定它是不是能够“让地球保持宜居”的，是我们如何设计和约束它。