urban_seg QQ群:679897018
这个项目是一个面向新手的基于遥感图片的语义分割项目。我们使用了在4亿张图片上进行预训练的 unicom 模型,这个模型非常高效,在遥感分割任务上表现优异。令人惊讶的是,我们仅仅使用了4张遥感图片进行训练,就能够获得非常好的效果。
如果您想快速开始,可以使用 train_one_gpu.py
来启动训练,这是个简易的代码,只有200行。但如果您追求更好的性能,可以尝试使用稍微复杂一些的代码 train_multi_gpus.py
,该代码支持多GPU训练。请注意,train_multi_gpus.py
可能需要一些额外的配置和设置,以便正确地运行多GPU训练。确保在使用之前仔细阅读代码中的说明和文档,以确保正确设置和配置。
安装
git clone https://github.com/anxiangsir/urban_seg.git
pip install -r requirements.txt
数据和预训练模型
CCF卫星影像的AI分类与识别提供的数据集初赛复赛训练集,一共五张卫星遥感影像 百度云盘,密码:3ih2
dataset
├── origin //5张遥感图片,有标签
├── test //3张遥感图片,无标签,在这个任务中没有用到
└── train //为空,通过`python preprocess.py`随机采样生成
├── 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
- 下载数据集到当前目录
- 预处理数据
python preprocess.py
- 训练
python train_one_gpu.py
八张GPU训练
- 下载数据集到当前目录
- 预处理数据
python preprocess.py
- 训练
torchrun --nproc_per_node 8 train_multi_gpus.py
和我们讨论反馈
QQ群:679897018
引用我们
如果你觉得这个项目对你有用,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}
}