简介：这是一份面向遥感与计算机视觉学习者的项目实践资源，以PyTorch为基础实现高分遥感影像语义分割，解决地物分类任务。资源基于GF2影像样本数据，覆盖模型设计、数据加载、训练验证与推理预测全流程，并重点展开膨胀预测、后处理、半监督伪标签策略及TensorBoardX可视化输出等技术点，适合具备一定深度学习基础的高校学生、科研人员或竞赛选手系统掌握遥感地物分割完整链路。压缩包内含858个文件，以819张PNG遥感切片图为主，配合35个Python脚本、CSV标注清单、README说明文档等，整体约548MB，目录按数据处理、模型训练、预测评估等模块组织，便于定位与复用。已有3040人学习下载。通过该资源可获得可直接运行的PyTorch工程，了解主流分割模型在遥感数据上的训练调优思路，并参考膨胀预测与后处理的可视化脚本，从样本组织到成果输出形成完整方案。
1. 高分遥感语义分割：为什么自然影像的模型一上来就翻车
把在 Cityscapes 或 VOC 上训练好的语义分割模型直接扔到高分遥感影像上做地物分类，大多数学到的第一个教训就是：边界碎成渣，小目标丢光，精度掉十几个点。原因不是模型不行，而是高分遥感影像和自然影像在三个维度上根本不是一回事：空间分辨率从“看到一棵树”变成“看到树冠里的单个像素”，近红外等额外波段没有对应通道，地表类别之间的光谱差异远比“人、车、路”要细微。PyTorch 实现高分遥感语义分割（地物分类）这个项目，核心不是跑通一个 U-Net，而是学会围绕遥感数据本身重新设计输入、标签、损失函数和评估方式。这篇文章按“数据 → 模型 → 训练 → 避坑 → 推理落地”的顺序，把一条能复现的完整链路讲清楚。适合三类人：高校里拿遥感做课程设计或毕设的学生，刚接触地物分类想找基准方案的研究生，以及需要快速产出地类面积成果的 GIS 从业者。
2. 遥感数据准备：标注质量决定精度上限，模型只是逼近这个上限
2.1 高分影像的核心属性：分辨率、波段和投影
做高分遥感语义分割，第一步不是选模型，而是先读懂影像头文件。高分影像区别于自然影像的关键参数有三个。
第一是空间分辨率，即单个像素对应的地面实际尺寸。常见的高分二号全色影像分辨率在 0.8 米左右，多光谱在 3.2 米左右；部分商业卫星或无人机航拍能做到 0.5 米以内。分辨率直接决定了一个地物目标占据多少像素：一栋 10 米宽的房子，在 0.5 米分辨率下约 20 个像素宽，在 2 米分辨率下只有 5 个像素宽。对象越小，语义分割越吃细节，对模型下采样次数的限制就越严格。
第二是波段数。大多数公开遥感数据集提供红、绿、蓝三个可见光波段，少数带近红外。近红外波段对植被检测的价值极大——健康植被在近红外波段反射率非常高，水体则几乎完全吸收。带近红外时，模型输入要设计成 4 通道；不带时，我们通常只取 RGB。这里有一个常见的“白嫖”做法：当影像只有单波段全色数据时，可以复制成三通道喂给在 ImageNet 上预训练的模型，但精度会打折扣。
第三是投影坐标系。遥感影像的像素坐标对应真实地理坐标，做面积统计时依赖 GSD（地面采样距离）参数。这个值在影像元数据里通常有定义，单位是米/像素。后面做地物面积估算时，直接用像素个数乘以 GSD 的平方即可，不需要做投影转换。
2.2 标注方案的三个约定：类别体系、矢量化规范、标签栅格化
高分遥感语义分割的标注工作量大、主观性强，标注方式直接影响模型训练效果。我用过的标注方案中最稳健的一套约定如下。
类别体系控制在 5~8 类。常见的地物分类任务围绕耕地、建筑、水体、道路、林地、裸地展开。类别太多会显著增加标注难度和类别混淆度，比如“草地”和“林地”在可见光下经常会互相误判。这里借热搜词“耕地识别 sam语义分割”说一句：SAM 等大模型可以辅助预标注，但单个类别的分界线仍需要人工修正，别指望端到端全自动。
矢量化标注时遵循“贴着边界走、保留过渡像素”的原则。在 QGIS 或 Labelme 里画多边形时，不要沿着目标边缘精确到像素，因为人工不可能标得绝对准；留出 1~2 个像素的过渡带，反而能让模型学会更平滑的边界。标注完成后，以影像左上角为原点、影像宽高为范围，把矢量栅格化成单通道 8-bit PNG，像素值对应类别 ID。PyTorch 里的标准做法是用 0~N-1 的整数类别标签，不使用调色板索引。
栅格化这一步最容易出现“标注错位”问题：矢量范围与影像范围不匹配、栅格分辨率与影像分辨率不一致，都会导致训练时模型看到的地物和标签对不上。所以我在每次标注完成之后都会做一次叠加检查，把标签 PNG 以半透明方式叠加在原图上，肉眼抽查 20~30 个固定点位。这一步不需要写代码，用 QGIS 即可。
2.3 切块策略：为什么 512x512 是默认尺寸
高分影像动辄上万像素宽，直接整幅送进 GPU 不现实。切块是标准做法，PyTorch 里通常用“滑窗 + 带重叠采样”的方式。切块尺寸的选择有三个考量。
一是感受野。遥感语义分割常用 U-Net 或 DeepLabv3+ 这类模型，5 次下采样后特征图尺寸会缩小 32 倍。输入 512x512，输出概率图是 16x16，每个输出像素对应的感受野远大于这个范围。切块大小至少要让最大地物目标的直径不超过输入尺寸的一半。对常见的高分影像，512x512 是无人机航拍和高分卫星影像之间的折中值。
二是显存约束。512x512 在 1080Ti（11GB）上训练 U-Net，batch size 设 8 没有压力；如果切到 1024x1024，batch size 通常要降到 2。除非显存非常充裕或模型非常轻量，否则没必要上来就切大块。
三是重叠滑窗能避免目标被切成两半后完全丢掉上下文。我一般按 0.25 倍数重叠切块，也就是 stride 设为 size 的 75%。训练阶段增加数据量，推理阶段用重叠切块做拼图，还可利用多块重叠区域的平均预测来消除边界伪影。
2.4 用 PyTorch 实现可复现的数据加载与切块逻辑
在 PyTorch 中，遥感切块通常先写一个离线预处理脚本，把大影像一次性切好存盘，训练时只做在线增强。这样能减少训练阶段的 CPU I/O 压力，也便于直观检查切块结果。
import cv2 import numpy as np from glob import glob import os def split_tiles(image_path, label_path, out_dir, tile_size=512, stride=384): img = cv2.imread(image_path, cv2.IMREAD_COLOR) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) label = cv2.imread(label_path, cv2.IMREAD_UNCHANGED) h, w = label.shape os.makedirs(out_dir + '/img', exist_ok=True) os.makedirs(out_dir + '/label', exist_ok=True) idx = 0 for y in range(0, h - tile_size + 1, stride): for x in range(0, w - tile_size + 1, stride): tile_img = img[y:y + tile_size, x:x + tile_size] tile_lab = label[y:y + tile_size, x:x + tile_size] # 过滤掉全背景的块，减少无效训练 if (tile_lab == 0).mean() > 0.95: continue cv2.imwrite(f'{out_dir}/img/{idx}.png', cv2.cvtColor(tile_img, cv2.COLOR_RGB2BGR)) cv2.imwrite(f'{out_dir}/label/{idx}.png', tile_lab) idx += 1 print('tiles saved:', idx)脚本的逻辑很简单：以固定步长在大图上滑窗切块，同时保存影像块和对应的标签块。关键参数有两个。stride控制块与块之间的重叠率，384 对应 512 大小的 75% 步长，重叠率 25%。重叠越大，样本量越大，但相邻块内容高度相似，会造成训练集冗余。全背景过滤阈值设 0.95，意思是标签中 95% 以上像素为背景类的块直接跳过，避免大量无意义的纯背景训练样本。在实际使用中，如果某些区域的地物特别稀疏，可以把这个阈值降到 0.9 甚至 0.8，确保训练集中保留足够的“负样本”让模型学会不误报。这里要提醒一句：切块后要按数据集随机划分，不要按图幅划分；如果同一幅图的相邻块恰好落在训练集和验证集里，验证分数会虚高，上面提到的“数据泄漏”问题在遥感切块里极其常见。
2.5 在线增强：遥感专属的旋转与光谱扰动
切块完成后，在线增强是决定模型泛化能力的胜负手。遥感影像的增强与自然影像最大的区别在于：旋转和翻转是“免费”的增强，因为地物没有固定的上下方向；而色彩抖动需要格外保守，因为地物的光谱特征是分类依据的一部分。
import torch from torch.utils.data import Dataset from torchvision import transforms from PIL import Image import random class RemoteSegDataset(Dataset): def __init__(self, img_dir, label_dir, train=True): self.img_paths = sorted(glob(f'{img_dir}/*.png')) self.label_dir = label_dir self.train = train def __len__(self): return len(self.img_paths) def __getitem__(self, idx): img = Image.open(self.img_paths[idx]).convert('RGB') lab = Image.open(f"{self.label_dir}/{idx}.png") # 训练时随机 0/90/180/270 旋转 if self.train: k = random.choice([0, 1, 2, 3]) img = img.rotate(90 * k) lab = lab.rotate(90 * k) # 随机水平翻转，与垂直翻转二选一 if random.random() < 0.5: img = img.transpose(Image.FLIP_LEFT_RIGHT) lab = lab.transpose(Image.FLIP_LEFT_RIGHT) img_tensor = transforms.ToTensor()(img) lab_tensor = torch.from_numpy(np.array(lab)).long() return img_tensor, lab_tensor这里用 PIL 的rotate而不是 OpenCV 的warpAffine，是因为 PIL 旋转默认不改变图像尺寸而且插值行为对标签更友好；但Image.rotate每转一次都会重新采样像素。对标签做同样的几何变换时，必须使用与影像一致的旋转参数和插值方式，否则标签和图像会出现一个像素级别的错位。注意我没有在这里做亮度、对比度、饱和度扰动——植被、水体、裸土的区分高度依赖光谱值，扰动过强相当于人为破坏了地物的光谱特征。如果你非要做，建议亮度扰动控制在 ±10% 以内。
3. 模型选型：U-Net 是遥感语义分割的最佳起始点，DeepLabv3+ 是精度上限的参考线
3.1 为什么首选 U-Net：编码器-解码器结构天然适配遥感
遥感语义分割模型的选型，绕不开两个名字：U-Net 和 DeepLabv3+。U-Net 原本为医学图像设计，但它在遥感上表现同样出色，原因在于其对称的编码器-解码器结构和跳跃连接。编码器逐层下采样，每次下采样都在扩大感受野的同时保留了不同尺度的特征；解码器逐层上采样恢复分辨率；跳跃连接把编码器每层的浅层特征直接拼接到解码器对应层，补偿了下采样造成的细节丢失。
在高分遥感里，U-Net 的跳跃连接价值巨大。道路、房屋边界、小水体这类地物的几何细节对分割结果影响极大，而这些细节恰恰是深层次语义特征最容易丢失的信息。U-Net 的跳跃连接相当于给解码器提供了“看得清细节”的捷径。同时，U-Net 的结构对称、参数可解释性强、训练相对稳定，低位显存也能跑。对于第一次接触遥感语义分割的人来说，U-Net 是容错率最高、迭代最快的基线模型。
DeepLabv3+ 的核心是空洞卷积（Atrous Convolution），它用不同的膨胀率在不降低特征图分辨率的前提下扩大感受野。这对需要长距离上下文信息的场景有帮助，比如判断一个像素究竟属于耕地还是裸地时，需要考虑周围更大范围的地形关系。DeepLabv3+ 最大的问题是模型偏大、训练更消耗显存，而且对高分影像中小目标的边界保持效果并不总是优于 U-Net。我的建议是：先用 U-Net 跑通基线，如果发现大块地物区域经常被误分，再换 DeepLabv3+ 做对比。
3.2 轻量 U-Net 的 PyTorch 实现：能跑通是最低要求
这里给出一段不依赖外部模型库、可以独立运行的 U-Net 实现。它把通道数压缩到 16 起步，以减少显存占用，同时保留了完整结构。
import torch import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) class UNetLight(nn.Module): def __init__(self, in_ch=3, out_ch=6, base=16): super().__init__() self.enc1 = DoubleConv(in_ch, base) self.enc2 = DoubleConv(base, base * 2) self.enc3 = DoubleConv(base * 2, base * 4) self.pool = nn.MaxPool2d(2) self.center = DoubleConv(base * 4, base * 8) self.dec3 = DoubleConv(base * 8, base * 4) self.dec2 = DoubleConv(base * 4 + base * 4, base * 2) self.dec1 = DoubleConv(base * 2 + base * 2, base) self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=False) self.out = nn.Conv2d(base, out_ch, 1) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool(e1)) e3 = self.enc3(self.pool(e2)) c = self.center(self.pool(e3)) d3 = self.dec3(self.up(c)) d3 = torch.cat([d3, e3], dim=1) d2 = self.dec2(self.up(d3)) d2 = torch.cat([d2, e2], dim=1) d1 = self.dec1(self.up(d2)) d1 = torch.cat([d1, e1], dim=1) return self.out(d1)这段代码的核心设计是三层下采样加一个中心层，通道数从 16 递增到 128，解码时通过跳跃连接把编码器特征拼接回来。为什么遥感任务不追求更深的网络？因为高分影像中的很多地物只有几十个像素，下采样次数过多会直接把小目标“压没”。三层下采样对应 8 倍分辨率降低，对 512x512 输入，最后特征图是 64x64，足以保留大部分有效信息。Upsample使用双线性插值而不用转置卷积，是因为转置卷积在上采样时会引入额外的可学习参数，在遥感数据量有限时更容易过拟合。
如果你希望直接套用成熟实现，可以安装 segmentation-models-pytorch 这个库，它提供了Unet(encoder_name='resnet34', encoder_weights='imagenet', classes=6)这样的接口，几行代码就能加载预训练编码器。遥感影像若包含近红外波段，输入通道不是 3 时，预训练权重必须去掉第一层重新初始化，这会损失一部分预训练优势。
3.3 输出层设计与类别不均衡处理
语义分割的最后一层输出每个像素在 N 个类别上的 logits，通常用交叉熵损失训练。遥感地物分类里一个非常突出的问题是类别极度不均衡：大片的耕地和裸地占据了绝大多数像素，道路和小水体可能只占 1% 以下。直接用标准交叉熵，模型会发现“把所有像素都预测为耕地”就能获得很低的损失，于是小类别几乎全部丢失。解决这个问题的两种思路是：加权交叉熵和组合损失。
加权交叉熵按类别像素占比的倒数给每个类别分配权重。实现上只要计算每个类别在训练集中出现的频率，然后在损失中给每个像素乘上对应权重即可。Focal Loss 是交叉熵的改良版，它让模型把注意力集中在难分样本上，对遥感里像素数少又难分的类别特别有效。
class WeightedFocalLoss(nn.Module): def __init__(self, alpha=None, gamma=2.0, ignore_index=255): super().__init__() self.alpha = alpha self.gamma = gamma self.ignore_index = ignore_index def forward(self, logits, target): num_classes = logits.shape[1] target = target.clone() ignore_mask = target == self.ignore_index target[ignore_mask] = 0 log_probs = torch.log_softmax(logits, dim=1) probs = torch.exp(log_probs) one_hot = torch.eye(num_classes, device=logits.device)[target] one_hot = one_hot.permute(0, 3, 1, 2) pt = (one_hot * probs).sum(dim=1) focal_weight = (1 - pt) ** self.gamma # 将忽略区域权重置 0 focal_weight = focal_weight * (~ignore_mask).float() if self.alpha is not None: alpha_map = torch.zeros_like(pt) for i, a in enumerate(self.alpha): alpha_map += (target == i).float() * a focal_weight = focal_weight * alpha_map loss = (-log_probs * one_hot).sum(dim=1) * focal_weight return loss[~ignore_mask].mean()Focal Loss 的两个关键参数：gamma=2.0时，对置信度高的样本（pt 接近 1）降权明显，模型被迫把更多注意力放在难分类像素上；gamma过大（如 5 以上）会让训练前期梯度过于集中在少数样本上，反而导致振荡。alpha是每个类别的权重，一般取类别像素占比补数的归一化：占比越低，权重越高。遥感地物分类实践中，我推荐weighted cross entropy + Dice loss组合使用，而不是严格只用 Focal Loss。Dice Loss 直接优化类别像素集合的重叠率，对小目标更友好，但对大目标区域梯度更新偏弱，所以两者各占一半权重是常见做法。
4. 训练流程与参数：如何设计一次不浪费 GPU 时间的训练
4.1 超参数基线：学习率、Batch Size、Epoch 与验证策略
遥感语义分割训练并没有特别神秘的超参数，但有几条基线值值得直接抄作业。
学习率采用多项式衰减或 Cosine Annealing。我不建议在遥感语义分割中采用固定学习率或 Step Decay，因为不同类别的收敛速度差异会让固定策略要么收敛慢，要么后期振荡。PyTorch 中直接使用torch.optim.lr_scheduler.PolynomialLR，初始学习率设为 1e-3，总训练轮次结束时衰减到 1e-5 附近。
Batch Size 受显存制约。512x512 输入在 11GB 显存下 U-Net 可以跑到 8，DeepLabv3+ 建议降到 4。Batch Size 太小（比如 2）时，BatchNorm 统计量不稳定，训练震荡明显。遥感语义分割几乎总用 BatchNorm，所以 Batch Size 下限建议 4。如果显存实在不够，把输入切到 384x384 比强行把 Batch Size 降到 2 更可取。这里提醒一个常见做法：采用 AdamW 优化器，而不是 SGD。遥感数据标注本身就带噪声，SGD 对噪声的敏感度高于 AdamW；并设置 weight_decay 为 1e-4 防止边缘模糊处的过拟合。
Epoch 数量方面，如果数据集是 5000 张 512 切片，训练 60~80 个 epoch 基本收敛。关键是每个 epoch 后都在验证集上计算 mIoU，保存验证分数最高的模型权重作为最终结果。不要迷信最后一轮权重，遥感数据里模型过拟合出现得很晚，最优点往往在训练中段。
4.2 一次完整的训练循环示意
import torch import torch.nn as nn from torch.utils.data import DataLoader from torch.optim import AdamW from torch.optim.lr_scheduler import PolynomialLR model = UNetLight(in_ch=3, out_ch=6).cuda() optimizer = AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = PolynomialLR(optimizer, total_iters=60, power=0.9) criterion = nn.CrossEntropyLoss(ignore_index=255) best_miou = 0.0 for epoch in range(60): model.train() for imgs, labels in train_loader: imgs, labels = imgs.cuda(), labels.cuda() optimizer.zero_grad() logits = model(imgs) loss = criterion(logits, labels) loss.backward() optimizer.step() scheduler.step() model.eval() miou = compute_miou(model, val_loader, num_classes=6) if miou > best_miou: best_miou = miou torch.save(model.state_dict(), 'best_model.pth')这段训练循环里的total_iters=60不是 epoch 次数，而是 scheduler 的迭代单位。PolynomialLR 支持按 epoch 或按 step 更新，我这里写成 epoch 维度，方便理解和调试。ignore_index=255对应数据预处理里的边界填充值——切块后的边缘区域可能包含无效像素，统一置为 255 后让模型忽略。compute_miou是你要自己实现的验证函数，逻辑见 4.3。这里的一键抄作业点是：如果数据集太小或类别极度不均衡，把CrossEntropyLoss换成 3.3 中的WeightedFocalLoss，或者0.5 * CE + 0.5 * DiceLoss。
4.3 mIoU 评估指标：别只看 Accuracy
地物分类任务里，Accuracy 是极具欺骗性的指标。假设 90% 的像素是耕地，把所有像素预测为耕地，Accuracy 也能达到 90%，但道路、水体等关键小类别全部丢失。mIoU（平均交并比）是遥感语义分割事实上的标准指标，它先按类别计算 IoU，再对所有类别取平均，避免了类别不平衡对性能评估的掩盖。
def compute_miou(model, val_loader, num_classes): model.eval() iou_list = [] with torch.no_grad(): for imgs, labels in val_loader: imgs, labels = imgs.cuda(), labels.cuda() logits = model(imgs) preds = logits.argmax(dim=1) for cls in range(num_classes): pred_cls = (preds == cls) label_cls = (labels == cls) inter = (pred_cls & label_cls).sum().item() union = (pred_cls | label_cls).sum().item() if union > 0: iou_list.append(inter / union) return float(np.mean(iou_list))这段代码按每个 batch 累加所有类别的 IoU，最后统一取平均，比每个 batch 单独计算 mIoU 再求平均更准确，因为后者会给小 batch 更多权重导致方差偏大。注意遥感里常用“每个类别单独报告 IoU + 整体 mIoU”的方式：mIoU 用于模型选型，每类 IoU 用于判断模型具体在哪些类别上出现问题。如果验证集 mIoU 在 50% 以下，先别调模型结构，回去检查标注是否错位、类别是否失衡，这两点对 mIoU 的影响远大于模型结构的微小改动。
5. 遥感语义分割避坑：高分影像独有的 5 个陷阱
5.1 现象：模型把河流和阴影区全部分成同一类
原因：水体在可见光波段反射率极低，与山体阴影的光谱特征非常相似；加上高分影像中水体常常伴随植被阴影，模型很容易将二者混淆。解决：在训练数据中刻意增加阴影区域样本。如果训练影像里阴影区域占比很低，可以手动采集包含阴影的切片做额外增强，并在损失函数中提高水体类别的权重。推理后可用后处理规则修正：水体通常是连通且平坦的区域，阴影区域常紧邻高大地物边缘；用形态学开运算消除零星误判块。这里补充一个更实用的小技巧：如果影像带近红外波段，水体在近红外波段极暗，而阴影在近红外波段仍有一定反射；能让模型多学到一个波段，这项误判会显著下降。
5.2 现象：切块边缘出现明显的块状伪影，拼图后地物接不上
原因：模型在切片边缘没有看到完整的上下文，导致同一地物在不同切片里的预测不一致。解决：推理阶段采用重叠滑窗。具体做法是以训练时相同的步长重新滑窗，把每张切片预测出的概率图按位置累加，重叠区域的概率取平均值。这样拼图得到的边界更平滑。还有一个技巧：训练时输入尺寸固定为 512，推理时也保持 512，不要为了“提分辨率”改成 640 或 768 之类，模型对未见过的输入尺寸泛化能力会下降。
5.3 现象：训练损失不断下降，但验证 mIoU 始终在低位徘徊
原因：最大的嫌疑是训练集和验证集来自同一幅影像的相邻切片，即 2.4 中提到的数据泄漏。相邻切片之间内容高度相似，模型在训练中“背”下了这些区域的特征，验证集测不出真实泛化能力。解决：按图幅而不是按切片划分数据。如果数据集只有 3~5 张大图，宁可把整幅影像留作验证集，也不要打乱切片再划分。数据量紧张时，可采用 K 折交叉验证，每次用其中一折做验证。这在遥感地物分类里尤其重要，因为同一区域的影像在光照、季节、土壤湿度上高度一致，模型很容易“记住场景”而不是“学会识别地物”。
5.4 现象：训练 loss 波动剧烈，验证集分数忽高忽低
原因：Batch Size 太小导致 BatchNorm 统计量不稳定，或者学习率过大导致优化过程在局部最优附近震荡。解决：把 Batch Size 升到至少 4；如果显存不够，考虑梯度累积。梯度累积的代码实现不复杂，核心是在多个 batch 上累积梯度后再执行一次optimizer.step()：
accum_steps = 2 optimizer.zero_grad() for i, (imgs, labels) in enumerate(train_loader): imgs, labels = imgs.cuda(), labels.cuda() logits = model(imgs) loss = criterion(logits, labels) / accum_steps loss.backward() if (i + 1) % accum_steps == 0: optimizer.step() optimizer.zero_grad()梯度累积相当于把 Batch Size 从 4 提升到 8，而显存占用不变，但训练速度会略慢。这个技巧在 BatchNorm 层较多的模型中需要特别注意：BN 的统计量仍然是按每个小 batch 计算的，梯度累积只能缓解优化稳定性，并不能完全等价于增大 Batch Size。
5.5 现象：推理结果里道路断裂、房屋边界“糊”在一起
原因：模型在深层特征中丢失了高频细节信息。U-Net 的跳跃连接已经缓解了一部分问题，但如果下采样层数太多，细节信息仍然有损。解决：使用带空洞卷积的解码器结构，或者对输入做“多尺度裁剪拼接”推理。最常见的做法是把原始输入分别以 0.5、1.0、1.5 倍缩放后送进模型，把三张概率图缩放到原始尺寸后取平均。这种多尺度推理能有效提升边界质量，代价是推理时间增加 2~3 倍。或者用形态学后处理中的“骨架提取”对道路做联通性修复，但这个方法在交叉路口容易引入伪分支，我很少单独依赖它。
6. 从语义分割到面积估算：推理脚本与地物统计的落地细节
语义分割训练的终点不是生成一张彩色分类图，而是产出可量化的地物面积。面向“地物面积估算系统”这类高频需求，推理阶段可以直接写一个统计脚本，把像素计数换算成真实面积。
import numpy as np import torch from PIL import Image def inference_and_area(model, image_path, gsd=0.8, tile_size=512, stride=384): img = np.array(Image.open(image_path).convert('RGB')) h, w = img.shape[:2] prob_map = np.zeros((h, w, num_classes), dtype=np.float32) count_map = np.zeros((h, w, 1), dtype=np.float32) model.eval() with torch.no_grad(): for y in range(0, h - tile_size + 1, stride): for x in range(0, w - tile_size + 1, stride): tile = img[y:y + tile_size, x:x + tile_size] tile_tensor = torch.from_numpy(tile).permute(2, 0, 1).unsqueeze(0).float().cuda() probs = torch.softmax(model(tile_tensor), dim=1).squeeze(0).permute(1, 2, 0).cpu().numpy() prob_map[y:y + tile_size, x:x + tile_size] += probs count_map[y:y + tile_size, x:x + tile_size] += 1 prob_map /= np.maximum(count_map, 1) pred = prob_map.argmax(axis=2) # 按类别统计像素数，乘上 GSD^2 即得面积（平方米） area_per_pixel = gsd * gsd for cls in range(num_classes): count = int((pred == cls).sum()) area_m2 = count * area_per_pixel area_ha = area_m2 / 10000.0 print(f'类别{cls}: {count} 像素, {area_m2:.2f} 平方米, {area_ha:.4f} 公顷') return pred, prob_map这段脚本的核心是重叠滑窗推理和概率平均。每一个切块预测出的概率图按位置累加，同时维护一个计数矩阵；最终将累加值除以计数得到每个像素的平均概率。这样拼接处不会出现刺眼的块状分界，面积统计的误差也会随之减小，因为单个切块的预测偏差会在重叠区域被平均掉。
面积换算是遥感里最容易踩单位坑的环节。gsd的单位是米/像素，面积计算完成后 1 公顷等于 10000 平方米。耕地面积通常按公顷汇报，建筑占地面积按平方米汇报。如果影像本身带地理参考，也可以读取投影信息做精确面积计算，但基于 GSD 的像素计数法在精度已足够高的情况下，是最快且最不容易出错的路径。
我在实际项目里还有一个习惯：推理完成后把概率图和标签叠加输出成一张带透明度的 PNG，人工抽查几个典型区域。这比单看 mIoU 分数更直观，能看到模型在城市阴影、河岸交界等复杂区域的真实表现。这个检查步骤虽然不是必需，但在交付给非技术背景的需求方时，一张叠加图的说服力远胜于十张指标表。遥感语义分割的项目，效果靠指标撑，质量靠人眼验——千万别省掉这一步。
另一个值得说到做到的细节是类别颜色的统一约定。地物分类输出结果时，最好固定一套颜色映射表：耕地绿色、建筑红色、水体蓝色、道路灰色、裸土棕色。否则每个人看图时都会有自己的解读习惯，验收时容易出现“为什么这块地是红色”的质疑。项目交付的稳定性，往往由这些不起眼的规范决定。
希望这篇从数据到面积统计的完整路径能帮到你，也祝你在地物分类这条路上少踩一个边界伪影的坑。
本文还有配套的精品资源，点击获取
