【数据背景】精确的耕地地块识别和分割在农业生产中有非常重要的意义传统的解决方法主要依靠遥感影像的光谱分析来做地块识别对数据要求高前期需要采集大量的样本数据不同地区的同种作物需要重复采集且识别的精度不高。基于不同地形地貌的高分辨率遥感影像资料构建图像语义分割算法对高分辨率光学遥感图像中的耕地实体进行提取实现智能遥感图像耕地识别。【应用领域】AI耕地遥感检测【文件目录】以下3个数据文件夹images原始图像样张labels标签信息cultivated-landdivision-main算法项目参考代码【数据说明】数据为1m分辨率的高分遥感影像共包含20000遥感耕地影像及其标注文件由广东南方数码科技股份有限公司采集、标注、构建。原始影像格式为png包含R、G、B三个波段数据集影像尺寸为256 * 256像素标签格式为单通道的png0表示为非耕地1表示为耕地。【参考方案】将数据集转换为Multi-Class格式存放在unet/dataset目录下通过prepare.py将OBS上的数据下载至本地并划分为Multi-Class格式。Multi-Class数据集格式通过固定的目录结构获取图片和对应标签数据。再基于UNet架构的编码器-解码器网络其中编码器和解码器子网通过一系列嵌套的、密集的跳跃路径连接重新设计的跳过路径旨在缩小编码器和解码器子网特征映射之间的语义差距。整体结构是先编码下采样再解码上采样回归到跟原始图像一样大小的像素点的分类。【代码说明】项目代码目录结构说明如下├── eval.py // 评估脚本├── export.py // 模型导出├── prepare_data.py // 适配Multiclass数据集├── preprocess.py // 310推理预处理脚本├── run.ipynb // 模型训练验证过程记录├── requirements.txt // 模型依赖├── dataset // 训练数据所在目录├── src│ ├── data_loader.py // 数据处理│ ├── eval_callback.py // 训练时推理回调│ ├──init.py│ ├── loss.py // loss函数│ ├── model_utils│ │ ├── config.py // 配置文件│ │ ├── device_adapter.py // 设备适配│ │ ├──init.py│ │ ├── local_adapter.py│ │ └── moxing_adapter.py // modelarts适配│ ├── unet_nested│ │ ├──init.py│ │ ├── unet_model.py // Unet网络结构│ │ └── unet_parts.py // Unet子网│ └── utils.py├── train.py // 训练脚本├── unet.yaml // unet配置文件└── version.ini // 版本信息一、耕地遥感语义分割数据集 信息表项目详细说明数据集名称高分遥感耕地地块语义分割数据集数据背景针对传统遥感光谱分析耕地识别精度低、样本复用性差等问题用于训练语义分割算法实现高分辨率影像耕地智能提取、地块分割应用领域AI耕地遥感检测、遥感图像语义分割、农业遥感、国土地块识别数据来源广东南方数码科技股份有限公司采集并标注影像参数空间分辨率1mRGB三波段单张尺寸256×256像素数据规模共20000张遥感影像及对应标注影像格式原始影像.png标签格式单通道.png标签图像素值0非耕地1耕地文件夹构成1. images原始遥感影像2. labels分割标签图3. cultivated-landdivision-mainUNet全套参考代码基准算法UNet嵌套U型网络编码器-解码器密集跳跃连接结构数据格式要求需转为Multi-Class标准格式存放至unet/dataset目录使用核心任务遥感图像像素级二分类完成耕地/非耕地语义分割、地块提取二、代码目录文件功能说明cultivated-landdivision-main ├── eval.py # 模型效果评估脚本 ├── export.py # 训练后模型导出脚本 ├── prepare_data.py # 数据转换脚本原始数据转为Multi-Class格式 ├── preprocess.py # 推理阶段图像预处理脚本 ├── run.ipynb # 训练、验证全流程笔记可交互式运行 ├── requirements.txt # 项目环境依赖清单 ├── dataset # 转换后训练数据存放目录 ├── src # 核心源码目录 │ ├── data_loader.py # 数据集加载、读取逻辑 │ ├── eval_callback.py # 训练过程验证回调函数 │ ├── loss.py # 损失函数定义 │ ├── model_utils # 配置、设备适配工具 │ └── unet_nested # UNet网络主体 │ ├── unet_model.py # UNet整体模型结构 │ └── unet_parts.py # 网络基础模块 │ └── utils.py # 通用工具函数 ├── train.py # 模型主训练脚本 ├── unet.yaml # 网络、训练超参数配置文件 └── version.ini # 项目版本信息三、完整使用步骤1. 环境部署安装依赖# 进入项目根目录执行安装pipinstall-rrequirements.txt硬件适配支持CPU/GPU可在src/model_utils/中配置设备也可适配ModelArts平台。2. 数据格式转换关键步骤将images、labels文件夹放置在项目同级目录运行数据预处理脚本自动划分数据集、转为Multi-Class标准格式并输出到dataset目录python prepare_data.py转换完成后检查dataset目录结构确保图片与标签一一对应。3. 参数配置打开unet.yaml文件按需修改批次大小、学习率、迭代轮数图像尺寸、分类类别数二分类耕地/非耕地数据路径、模型保存路径4. 模型训练二选一执行即可方式1命令行运行推荐python train.py方式2交互式运行打开run.ipynb按单元格顺序逐行执行实时查看训练日志、损失、精度曲线。5. 模型评估训练完成后执行评估脚本计算分割精度、IoU、像素准确率等指标python eval.py6. 模型导出推理导出模型用于部署/离线推理python export.py新影像推理结合preprocess.py完成图像预处理加载导出模型实现单张/批量耕地分割。四、核心应用场景1. 算法研发与学习遥感语义分割实战基于UNet完成二分类分割任务学习编码器-解码器、跳跃连接、语义分割全套流程。算法对比实验可替换UNet、DeepLab、SegNet等网络在该数据集上对比不同模型分割效果。遥感数据预处理练习掌握高分遥感影像读取、标签映射、数据集格式化、批量预处理技巧。2. 农业国土行业落地耕地智能提取替代传统人工解译与光谱分析自动从1m高分影像中圈定耕地范围、划分地块边界。耕地动态监测多期遥感影像批量分割统计耕地增减、地块变化服务国土调查、耕地保护。地块精细化管理输出像素级分割结果结合GIS做地块矢量化用于农业确权、种植规划。3. 科研、毕设与竞赛农业遥感、计算机视觉、GIS相关毕业论文、课程设计核心数据集。遥感图像分割、智能农业赛道竞赛训练素材。五、使用注意事项标签为像素级二分类仅区分耕地与非耕地无需做多类别拓展原始图片与标签尺寸固定为256×256修改尺寸需同步调整配置文件数据集体量较大训练建议使用GPU避免训练速度过慢转换后的dataset目录不可随意改名、移动否则会导致数据读取失败推理前必须运行preprocess.py完成图像归一化、尺寸对齐等预处理。六、标签综合分类标签#数据集#语义分割#遥感影像#耕地识别#UNet#AI农业#高分遥感技术向标签#深度学习#图像分割#CV实战#遥感算法#代码开源行业向标签#智慧农业#国土遥感#耕地监测#地块提取精简封面标签#耕地分割数据集#UNet训练#AI遥感七、配套推文文案直接发布版本1 专业干货版20000张1m分辨率高分遥感耕地语义分割数据集RGB影像单通道像素级标注0代表非耕地、1代表耕地。配套完整UNet嵌套网络源码含数据转换、训练、评估、模型导出全套脚本。适配语义分割算法开发、耕地智能提取、农业遥感监测可直接运行训练适合CV学习、毕设、农业遥感项目落地。标签#语义分割 #遥感数据集 #耕地识别 #UNet #AI农业版本2 精简引流版高分遥感耕地分割数据集来袭2万256×256标准影像专业像素级标注附赠UNet完整训练代码一键完成数据转换与模型训练遥感语义分割、智慧农业相关学习与项目直接上手。标签#AI遥感 #图像分割 #智慧农业