urban_seg

项目介绍

urban_seg 是一个专为初学者设计的遥感图像语义分割项目。其核心是利用在4亿张图像上预训练的unicom模型，这一模型在处理遥感分割任务方面表现卓越。令人兴奋的是，该项目在训练时仅使用了4张遥感图像，却取得了出色的效果。

快速开始

对于希望快速上手的用户，可以使用简洁的 train_one_gpu.py 脚本开始训练，该脚本仅有200行代码。而对于追求更好性能的用户，可以使用支持多GPU训练的 train_multi_gpus.py 脚本。请注意，在使用 train_multi_gpus.py 时，可能需要进行一些额外的配置和设置，因此务必仔细阅读代码中的说明和文档，确保正确配置。

安装指南

首先，用户需要克隆项目并安装必要的依赖包：

git clone https://github.com/anxiangsir/urban_seg.git
pip install -r requirements.txt

数据和预训练模型

项目使用了CCF卫星影像AI分类与识别提供的五张卫星遥感图像数据集。数据集初赛复赛训练集可从指定的百度云盘下载。

数据结构如下：

dataset
├── origin //五张带标签的遥感图片
├── test   //三张无标签的遥感图片（本项目中未使用）
└── train  //为空，通过`python preprocess.py`生成
    ├── images       
    └── labels
FP16-ViT-B-32.pt
FP16-ViT-B-16.pt
FP16-ViT-L-14.pt
FP16-ViT-L-14-336px.pt

一张GPU训练流程

1. 下载数据集到当前目录。

2. 预处理数据：

   python preprocess.py

3. 开始训练：

   python train_one_gpu.py

多GPU训练流程

1. 下载数据集到当前目录。

2. 预处理数据：

   python preprocess.py

3. 启动训练：

   torchrun --nproc_per_node 8 train_multi_gpus.py
   

讨论与反馈

如果用户对项目有任何疑问或意见，欢迎加入QQ群参与讨论：679897018。

引用

如果该项目对您的研究有所帮助，欢迎引用我们的论文：

@inproceedings{anxiang_2023_unicom,
  title={Unicom: Universal and Compact Representation Learning for Image Retrieval},
  author={An, Xiang and Deng, Jiankang and Yang, Kaicheng and Li, Jiawei and Feng, Ziyong and Guo, Jia and Yang, Jing and Liu, Tongliang},
  booktitle={ICLR},
  year={2023}
}

通过以上内容，用户可以轻松了解 urban_seg 项目的特点和使用方法，并快速开始进行遥感图像的语义分割研究。