【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割

发布时间：2025-07-17

点击次数：

本教程介绍使用PP-LiteSeg模型对遥感图像道路进行分割的全流程。先配置含PaddlePaddle（不低于2.0.2）和PaddleSeg的环境，再用DeepGlobe数据集（分训练、验证、测试集），通过指定配置文件训练PP-LiteSeg和OCRNet模型，两者精度相近但前者速度快7倍。还涵盖模型预测、结果可视化及部署相关内容。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

【paddleseg实践范例】使用pp-liteseg进行遥感道路分割 -

1 简介

本教程使用PP-LiteSeg模型对遥感图像中的道路进行分割。

【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割 -

PP-LiteSeg模型是PaddleSeg团队自研的轻量级语义分割模型，结构如下。

PP-LiteSeg模型的具体介绍请参考链接，欢迎Star收藏，关注最新消息。

下面教程，将带大家完整的跑通模型训练、预测、可视化全流程。

【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割 -

2 环境准备

请按照以下步骤配置相应的环境。

准备PaddlePaddle

PaddlePaddle版本要求不低于 2.0.2，本教程在PaddlePaddle 2.2.2下验证通过。

由于图像分割模型计算开销大，推荐安装GPU版本的PaddlePaddle。

如果在AI Studio上运行此项目，请选择使用GPU版本的环境，默认已经安装了PaddlePaddle。

如果在本地运行此项目，需要自行安装PaddlePaddle，详细安装教程请参考PaddlePaddle官网。

准备PaddleSeg

由于本教程使用的演示代码不是PaddleSeg核心功能，所以相关代码没有合入到PaddleSeg。

我们在~/work/目录下存放了PaddleSeg代码和本教程使用到的代码，可以直接解压使用。

In [ ]

%cd ~/work
!rm -rf PaddleSeg
!tar xf PaddleSeg.tar

安装PaddleSeg依赖

执行如下命令，在环境中安装PaddleSeg需要的依赖库。

In [ ]

%cd ~/work/PaddleSeg
!pip install -r requirements.txt

3 数据准备

我们使用DeepGlobe开源数据集作为本教程的演示数据集。

DeepGlobe数据集已经整理成如下格式。

deepglobe
├── readme.md├── test.txt├── train
├── train.txt├── valid
└── val.txt

我们将标注的遥感图片划分为训练集、验证集和测试集。

训练集图片：4980张
验证集图片：622张
测试集图片：624张

train.txt、val.txt、test.txt分别表示训练集、验证集和测试的划分，保存的内容如下。

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情简小派

train/81456_sat.jpg train/81456_mask.pngtrain/814574_sat.jpg train/814574_mask.pngtrain/814591_sat.jpg train/814591_mask.pngtrain/814649_sat.jpg train/814649_mask.png

整理好的Deepglobe数据集已经在~/data目录下，我们进行解压，然后链接到PaddleSeg/data目录下，用于后续训练测试使用。

In [ ]

# 解压数据%cd ~/data/data141168
!tar xf deepglobe.tar# 链接数据!mkdir -p ~/work/PaddleSeg/data
!ln -s ~/data/data141168/deepglobe ~/work/PaddleSeg/data
!ls ~/work/PaddleSeg/data

4 模型训练

配置文件

遥感道路分割的所有配置文件都在PaddleSeg/configs/road_seg/目录下。

PaddleSeg/configs/road_seg
├── deepglobe.yml├── ocrnet_hrnetw18_deepglobe_1024x1024_80k.yml├── pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml└── pp_liteseg_stdc2_deepglobe_1024x1024_80k.yml

其中，deepglobe.yml文件定义了基础信息，比如训练集、测试集、优化器、学习率等。

其他文件定义了模型相关的信息，比如pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml的内容如下。

_base_: './deepglobe.yml'model:
  type: PPLiteSeg
  backbone:    type: STDC1
    pretrained: https://bj.bcebos.com/paddleseg/dygraph/PP_STDCNet1.tar.gz
  arm_out_chs: [32, 64, 128]
  seg_head_inter_chs: [32, 64, 64]

loss:
  types:
    - type: OhemCrossEntropyLoss
      min_kept: 260000
    - type: OhemCrossEntropyLoss
      min_kept: 260000
    - type: OhemCrossEntropyLoss
      min_kept: 260000
  coef: [1, 1, 1]

训练

进入~/work/PaddleSeg目录，后续所有命令都在该目录下执行，结果也保存在该目录下。

在PaddleSeg目录下执行如下命令，开始训练PP-LiteSeg和OCRNet两个模型。其中，输入参数config为配置文件的路径，如果需要训练其他模型，可以修改为其他配置文件。PaddleSeg完整的训练文档，请参考链接。

训练过程比较久，可以通过log输出查看需要的时间。训练结束后，模型权重保存在output对应的目录下。

注意：默认提供的配置文件是使用4卡进行训练，如果使用单卡训练，需要将学习率减小为1/4、iters增大4倍。

In [ ]

# train pp_liteseg%cd ~/work/PaddleSeg/
!python train.py \
       --config configs/road_seg/pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml \
       --do_eval \
       --num_workers 3 \
       --s*e_interval 1000 \
       --s*e_dir output/pp_liteseg_stdc1_deepglobe

In [ ]

# train ocrnet%cd ~/work/PaddleSeg/
!python train.py \
       --config configs/road_seg/ocrnet_hrnetw18_deepglobe_1024x1024_80k.yml \
       --do_eval \
       --num_workers 3 \
       --s*e_interval 1000 \
       --s*e_dir output/ocrnet_hrnetw18_deepglobe

完成PP-LiteSeg和OCRNet模型的训练后，精度和速度如下表。

可以看到，PP-LiteSeg和OCRNet模型的精度基本相同，但是PP-LiteSeg的推理速度比OCRNet快了7倍。

模型	Backbone	精度mIoU (%)	推理速度 FPS
PP-LiteSeg	STDC1	83.08	207.0
OCRNet	HRNet_w18	83.15	26.8

5 模型预测

预测

加载训练好的模型权重，或者使用提供的模型权重，可以对测试集进行测试。

执行如下命令，下载已经训练好的模型权重，对deepglobe的测试集进行预测。

In [ ]

%cd ~/work/PaddleSeg
!mkdir pretrained
%cd pretrained
!wget https://paddleseg.bj.bcebos.com/dygraph/demo/pp_liteseg_stdc1_deepglobe.pdparams
!wget https://paddleseg.bj.bcebos.com/dygraph/demo/ocrnet_hrnetw18_deepglobe.pdparams

%cd ~/work/PaddleSeg
!python  predict.py \
    --config configs/road_seg/pp_liteseg_stdc1_deepglobe_1024x1024_80k.yml \
    --model_path pretrained/pp_liteseg_stdc1_deepglobe.pdparams \
    --image_path data/deepglobe/test.txt \
    --s*e_dir output/pp_liteseg_stdc1_deepglobe_1024x1024_80k/pred_test

结果可视化

预测执行结束后，在output/pp_liteseg_stdc1_deepglobe_1024x1024_80k/pred_test目录下，可以查看预测结果。

【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割 -

6 模型部署

导出预测模型进行部署，可以加载模型的推理速度。

PaddleSeg提供了详细教程，指导进行模型导出和模型部署，具体请参考链接。

请点击此处查看本环境基本用法.
Please click here for more detailed instructions.

以上就是【PaddleSeg实践范例】使用PP-LiteSeg进行遥感道路分割的详细内容，更多请关注其它相关文章！

# 都在 # 线上门店推广营销策略 # 宜宾手机网站优化 # 安顺推广网络营销外包 # 聊城网站优化公司电话 # 品牌网站推广引流方案 # 上海关键词排名免费咨询 # 蓝田网络营销和推广 # 黄石seo推广地址 # 徐州网站推广外包服务 # 廊坊网站建设680元 # 结束后 # 加载 # 不低于 # python # 官网 # 请参考 # 一言 # 配置文件 # 目录下 # 中文网 # type # fig # lobe # udio # igs # red # ai

相关栏目：【行业新闻62819 】【科技资讯67470 】

上一篇：基于图像识别的智慧零售商品识别

返回列表

下一篇：利用 Deepseek 满血版与 Zapier Recipe