LSKNet模型推理部署全流程从单图测试到批量可视化【免费下载链接】LSKNet(IJCV2024 ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNetLSKNetLarge Selective Kernel Network是IJCV 2024与ICCV 2023收录的轻量级遥感目标检测骨干网络它在DOTA-v1.0上以LSKNet_S Oriented R-CNN取得了81.64% mAP的SOTA成绩在HRSC2016上更是达到了98.46% mAP。本文为新手整理一套完整的LSKNet模型推理与部署教程从环境准备、权重下载到单张图片测试、超大遥感图分块推理再到批量测试与结果可视化一步步带你跑通遥感目标检测的完整推理流程。图片说明LSKNet通过大卷积核分解Larger Kernel Decomposition与空间选择Spatial Selection机制动态调整感受野从而更好地建模遥感场景中不同目标的上下文信息。源码位于 mmrotate/models/backbones/lsknet.py。一、LSKNet模型推理前准备环境安装与权重下载1. 克隆项目并安装依赖LSKNet 基于 OpenMMLab 的 MMRotate 工具箱构建需要 PyTorch、MMCV、MMDetection 等基础依赖。推荐使用 conda 创建独立环境conda create --name openmmlab python3.8 -y conda activate openmmlab conda install pytorch1.8.0 torchvision0.9.0 cudatoolkit10.2 -c pytorch pip install -U openmim mim install mmcv-full mim install mmdet然后克隆本仓库并安装git clone https://gitcode.com/gh_mirrors/ls/LSKNet cd LSKNet pip install -v -e .2. 下载预训练模型权重LSKNet 官方提供了 ImageNet 300 epoch 预训练的 LSKNet-T / LSKNet-S 骨干权重以及 DOTA、HRSC 等数据集上训练好的完整检测器权重。建议将权重统一放入checkpoints/目录方便后续推理时引用。模型效果对照表可参考 configs/lsknet/README.md。3. 认识推理配置文件LSKNet 的推理配置位于 configs/lsknet/以最常用的 lsk_s_fpn_1x_dota_le90.py 为例它组合了LSKNet骨干、FPN颈部、OrientedRCNN检测头适用于 DOTA 数据集的 le90 角度定义方式。推理时只需把配置和权重路径传给脚本即可无需修改任何代码。二、LSKNet单图测试一行命令跑通遥感目标检测对新手来说最直观的体验方式就是拿一张图片做单图推理测试。项目提供了现成的 demo/image_demo.py 脚本用法如下python demo/image_demo.py \ demo/dota_demo.jpg \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ --out-file results/dota_demo_result.jpg图片说明这是 DOTA 风格的航拍场景样例demo/dota_demo.jpg包含车辆、建筑等多尺度密集目标正是 LSKNet 擅长处理的复杂遥感场景。常用参数说明参数作用默认值--out-file保存可视化结果的路径不保存--device推理设备如cuda:0或cpucuda:0--score-thr置信度阈值过滤低分检测框0.3--palette可视化配色可选 dota/sar/hrsc/randomdota如果想在 CPU 上体验推理把--device改为cpu即可注意 RoIPool 相关模块在 CPU 上暂不支持建议使用 GPU。另一张示例图demo/demo.jpg也可以用来快速验证流程。三、超大遥感图分块推理LSKNet大图检测的终极方案遥感影像往往是大尺寸航拍图直接输入模型会超出显存限制。为此项目提供了大图分块推理工具 demo/huge_image_demo.py它通过滑动窗口把大图切成小块逐块推理后再用 NMS 合并结果核心逻辑见 mmrotate/apis/inference.py 中的inference_detector_by_patches。python demo/huge_image_demo.py \ demo/dota_demo.jpg \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth关键参数按场景调优参数作用建议--patch_sizes分块尺寸默认 [1024]与训练尺度一致--patch_steps滑窗步长默认 [824]步长小于块尺寸可实现重叠--img_ratios多尺度缩放系数默认 [1.0]多尺度检测可传 [0.5, 1.0]--merge_iou_thr结果合并 IoU 阈值默认 0.1步长小于块尺寸时会产生重叠窗口能有效避免目标被切断在边界处是大图推理质量的关键技巧。多尺度推理--img_ratios 0.5 1.0 1.5则能显著提升小目标的召回率。四、LSKNet批量测试与结果评估数据集的推理部署当需要对整个测试集做批量推理并评估精度时使用 tools/test.py 脚本。它支持单 GPU、多 GPU 以及分布式推理还能一键输出 mAP 评估指标。单卡批量测试python tools/test.py \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ --eval mAP多卡分布式加速测试多卡环境下推荐使用官方提供的 tools/dist_test.sh 脚本速度成倍提升bash tools/dist_test.sh \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ 8 \ --eval mAP常用参数速查--out以 pickle 格式保存原始检测结果便于后续分析--show-dir批量测试时把每张图的检测结果可视化保存到指定目录--show-score-thr可视化时的置信度阈值默认 0.3--format-only只格式化输出结果而不评估用于提交到测试服务器--fuse-conv-bn融合卷积与 BN 层轻微提升推理速度从测试结果到批量可视化批量测试配合--show-dir即可实现批量可视化脚本会为测试集中的每张图片生成带旋转框标注的结果图并保存。若需要自定义可视化风格如修改调色板、线宽可以参考 mmrotate/core/visualization/image.py 的实现。五、LSKNet推理性能优化技巧1. 开启 Conv-BN 融合加速在 tools/test.py 中加上--fuse-conv-bn参数可以在不影响精度的前提下略微提升推理速度适合对延迟敏感的部署场景。2. 使用 EMA 微调权重提升精度项目提供了 EMA 微调后的模型配置 lsk_s_ema_fpn_1x_dota_le90.py在 DOTA 上可将 mAP 从 81.64 提升至 81.85推理时直接替换权重即可。3. 按任务选择合适的检测头LSKNet 骨干非常灵活官方在 configs/lsknet/ 下提供了 Oriented R-CNN、R3Det、S2ANet、RoI Transformer 等多种检测头的组合配置可按精度与速度需求自由搭配。六、常见问题排查清单问题排查方向显存不足OOM使用huge_image_demo.py分块推理或调小--patch_sizes检测框过多、过密调高--score-thr如 0.5过滤低置信度框小目标漏检严重开启多尺度推理--img_ratios 0.5 1.0 1.5或缩小滑窗步长精度与论文不符确认使用的配置、权重与角度定义le90/oc/le135一致结果文件为空检查测试集目录结构与数据集配置文件是否匹配七、总结LSKNet推理部署路线图回顾整个流程环境安装 → 权重下载 → 单图测试 → 大图分块推理 → 批量测试评估 → 结果可视化这就是一套完整可复用的 LSKNet 遥感目标检测推理部署链路。无论你是想快速验证模型效果、处理单张航拍大图还是对整批测试集做精度评估本文给出的命令都能直接上手。LSKNet 凭借轻量高效的大选择性卷积核设计已成为遥感目标检测领域极具性价比的基础骨干网络值得每一位遥感与 CV 开发者深入学习与实践。【免费下载链接】LSKNet(IJCV2024 ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
`)
