PaddleRS：遥感影像智能解译开发套件

应导师要求，学习深度学习相关知识，遂查找资料，了解到百度开源的PaddleRS，于是对其进行了一些学习。

PaddleRS 是百度飞桨、遥感科研院所及相关高校共同开发的遥感影像智能解译开发套件，基于飞桨框架打造。它支持图像分割、目标检测、场景分类、变化检测、图像复原等遥感领域的常见任务，致力于让科研和产业开发者都能快速完成从数据预处理、算法研发、模型验证到生产部署的全流程遥感深度学习应用。

PaddleRS 核心特点

PaddleRS 是一个开箱即用的遥感深度学习模型库，具备以下特点：

• 预置模型 — 内置多种遥感深度学习模型
• 灵活易用 — 用户既可直接使用这些模型进行训练和推理，也可在其基础上修改和优化
• 任务多样 — 支持从小样本到大规模数据的各类遥感解译任务

典型训练工作流

完整的遥感深度学习开发流程包括以下几个关键步骤:

1. 数据准备

遥感影像与普通 RGB 图像有几个核心差异，需要在预处理阶段充分考虑：

• 多光谱特性 — 遥感影像通常包含多个波段（非 RGB 三通道），光谱反射率具有物理意义
• 存储格式 — 常用 16 位 TIF 格式存储，相比 8 位图像能保留更多信息
• 预处理流程 — 需要辐射校正、大气校正、几何校正等步骤

什么时候需要进行各种校正？

• 几何校正 + 裁剪：通常对大多数任务都是必需的
• 辐射校正、大气校正：对于变化检测和图像复原任务特别关键；如果跳过大气校正，同一地物在不同时期的图像会出现明显色差

PaddleRS 提供了遥感影像处理工具集来自动化这些流程。如果不熟悉 Python 图像处理库，也可以用 ArcGIS Pro 等专业遥感软件进行预处理，具有可视化界面，操作更直观。

2. 模型选择

根据具体任务从 PaddleRS 提供的模型库中选择初始模型：

• 首先明确任务类型 — 是图像分割、目标检测、场景分类还是变化检测？
• 选择合适的基准模型 — 例如分割任务可选 U-Net、DeepLabV3+ 等
• 多模型对比 — 在私有数据集上，不同模型的性能表现差异通常很大，建议试验多个候选模型，选择最优者

3. 模型训练

使用 PaddleRS 提供的训练脚本进行模型训练。以图像分割任务为例，可以使用UNet 训练脚本。

训练中的关键超参数调优包括：

• 学习率 — 通常需要多次微调以找到最优值
• 批大小 — 根据显存和数据特点调整
• 迭代次数 — 根据数据量和任务复杂度设定
• 优化器与损失函数 — 可查看模型函数定义进行针对性调优

4. 模型评估

在训练过程中，使用验证数据集 eval_dataset 对模型进行定期评估，同时启用 VisualDL 进行可视化监控：

model.train(
    num_epochs=10,
    train_dataset=train_dataset,    
    train_batch_size=4,
    eval_dataset=eval_dataset,           # 验证数据集
    save_interval_epochs=5,              # 每5轮保存一次检查点
    log_interval_steps=4,                # 每4步记录一次日志
    save_dir=EXP_DIR,
    learning_rate=0.001,
    early_stop=False,                    # 可选：精度不改善时提前停止
    use_vdl=True,                        # 启用 VisualDL 日志
    resume_checkpoint=None               # 如需继续训练，指定检查点路径
)

启动 VisualDL 查看实时训练指标：

visualdl --logdir output/unet/vdl_log --port 8001

然后在浏览器访问 http://localhost:8001 查看训练曲线等。

5. 模型优化

根据评估结果迭代改进模型。优化策略包括：

数据层面

• 增加数据增强 — 应用随机裁剪、旋转、翻转等数据变换算子，扩展训练数据多样性
• 继续训练 — 在之前最优检查点基础上继续训练，逐步提升模型性能

模型层面

• 调整架构 — 根据实验结果增减卷积层、池化层等结构性组件
• 迁移学习 — 尝试用预训练权重初始化，加速收敛

6. 模型部署

训练完成后，利用 PaddleRS 的部署工具将模型部署到生产环境。

第一步：导出推理模型

python deploy/export/export_model.py \
    --model_dir=./output/unet/best_model/ \
    --save_dir=./inference_model/

第二步：构建预测器并执行推理

导出完成后，inference_model目录下会生成部署格式的模型文件。接下来就可以使用PaddleRS提供的预测接口进行预测了。

以变化检测任务为例：

from paddlers.deploy import Predictor

# 构建 Predictor 对象（支持 GPU/CPU 推理）
predictor = Predictor(
    model_dir="static_models/",
    use_gpu=True,
    gpu_id=0
)

# 传入前后两期遥感影像，执行推理
pre_image = "demo_data/A.png"    # 前期影像
post_image = "demo_data/B.png"   # 后期影像
result = predictor.predict((pre_image, post_image))

# 解析结果
change_map = result['label_map']  # 变化/不变分类图
score_map = result['score_map']   # 概率图（两个通道）

Predictor 关键参数说明

参数	说明	默认值
model_dir	模型路径（必须是导出的部署或量化模型）	必需
use_gpu	是否使用 GPU 推理	False
gpu_id	使用的 GPU 设备 ID	0
cpu_thread_num	CPU 推理线程数	1
use_trt	是否启用 TensorRT 加速	False
memory_optimize	是否启动内存优化	True

predict() 方法参数说明

参数	说明
img_file	输入影像：单张图像路径、numpy 数组或列表；变化检测任务接受两张影像的元组
topk	场景分类任务中返回概率排名前 topk 的类别
warmup_iters	预热轮数（用于性能测试）
repeats	重复预测次数（用于性能测试）

返回结果

对于分割和变化检测任务：

• label_map — 分类后的标签图，变化检测为二值（0=不变，1=变化）
• score_map — 概率图，变化检测包含两个通道（不变概率、变化概率）

---

总结

PaddleRS 提供了遥感深度学习的完整工具链，从初学者到研究者都可以快速构建、验证和部署模型。上述六步工作流涵盖了从原始数据到生产推理的全过程，每一步都可以根据具体需求灵活调整。

有多少人工就有多少智能：数据决定模型上限

深度学习模型的性能，在很大程度上由数据质量而非算法复杂度决定。与其盲目尝试更深更复杂的网络，不如先确保：

• 任务定义清晰无歧义
• 标注标准一致且高质量
• 数据预处理流程合理
• 数据分布与实际应用场景吻合

有时数据的投入往往能带来更显著的性能提升。

PaddleRS 是一个非常好的工具套件。代码的写作规范，库的结构清晰，文档详实，社区活跃，值得学习！