搞遥感AI的朋友十有八九都经历过这种崩溃瞬间模型结构从骨干网络一路换到损失函数折腾两三个星期精度纹丝不动最后无意间看了眼训练集发现影像分辨率、类别分布、标注框形式跟任务根本不匹配。遥感公开数据集这个事看起来是“下载、解压、丢进DataLoader”实际上里面的坑一个比一个深。我这次把语义分割、目标检测、场景分类、变化检测四个方向常用的公开数据集连同选型思路、格式坑、预处理注意事项一起整理出来给准备入坑遥感AI的同学和正在被数据折磨的同行做个参考。这套内容适合三类人刚接触遥感深度学习、不知道从哪个数据集下手的新手已经在做单一任务、想横向拓展到变化检测或场景分类的算法工程师以及需要做遥感数据评测、预训练、小样本研究的学生。文章不会只罗列数据集名字重点是告诉你每个数据集该什么时候用、为什么用、用了之后有哪些坑。1. 遥感公开数据集选型为什么选对数据比调参更关键1.1 遥感影像和自然图像根本不是一个物种很多人刚从自然图像转到遥感时会直接把ImageNet上那套成熟玩法搬过来结果撞得满头包。遥感影像是俯视视角传感器从几百米到几百公里高空往下拍地物目标形态、尺度、光照条件跟自然图像完全不一样。一辆普通小轿车在0.3米分辨率的卫星影像上只有几十个像素如果换到10米分辨率的影像上车就是一团噪点。这种尺度差异直接决定了不同任务的数据集设计逻辑不同。还有一个容易被忽略的点遥感影像是多波段数据。常见的有红、绿、蓝三波段真彩色影像也有加了近红外、红边、深蓝的多光谱影像甚至还有SAR雷达影像。不同的地物在不同波段下的反射特征完全不一样比如水体在近红外波段下会明显变暗植被在红边波段有很强的信号。很多公开数据集已经帮你做了波段组合但用的时候还是要搞清楚它给的是RGB还是RGBN不然按照三通道习惯去读数据很容易把近红外当成蓝色通道整个模型的输入分布就歪了。遥感影像还有一个典型特征——大尺寸。自然图像数据集里一张图往往是几百乘几百像素遥感影像一张原始图轻松上万乘上万像素。这就带来了训练策略的差异自然图像可以整图送进网络遥感影像通常要切瓦片训练切多少、重叠多少、目标跨瓦片怎么办都是实际工程问题我后面会专门展开。1.2 四个任务方向的数据集选型逻辑语义分割、目标检测、场景分类、变化检测这四个任务虽然都是基于遥感影像做视觉理解但它们的标注形式和评价目标完全不同选数据集的侧重点也就不一样。语义分割关注的是像素级分类数据集的标签质量决定上限。你要重点看类别体系是否细致、边界标注是否干净、有没有覆盖多种地物类型。一个只有三五种类别、场景单一的数据集即便分辨率再高模型训练出来的泛化能力也有限。目标检测关注的是目标框定位遥感场景下最关键的是框的姿势——水平框还是旋转框。飞机、船舶、储油罐这类目标在影像里是任意朝向的用水平框去框会带入大量背景噪声模型在回归时也会被“要不要预测角度”这个额外自由度折磨。所以遥感目标检测数据集的主流趋势是旋转框标注。场景分类面对的是一整块影像块的语义类别比如这块是工业区、那块是居民区、那片是森林。它不追求精细到像素的边界而是对视觉特征做整体判断。选这类数据集时要看类别定义是否清晰、场景是否存在类别歧义、每类样本量是否均衡。变化检测是遥感里面比较特殊的方向它需要同一地点不同时相的两张影像标注通常是像素级的变化mask标注出来的是“哪里变了”“变成了什么”。选数据集的核心难点不在规模而在双时相影像的配准质量、光照一致性和变化类别的细分粒度这些直接影响模型能不能学到真正有用的变化信号。1.3 我个人评判遥感数据集的六个维度除了任务匹配之外我拿到一个新的数据集一定会按下面六个维度快速过一遍避免踩坑空间分辨率影像上每个像素对应地面多少米。做精细分割、小目标检测尽量选0.1米到1米的高分数据做大范围土地覆盖、场景分类几米到十几米的也够用。类别体系数据集定义了几类、各类之间是否互斥、有没有层次关系。类别体系设计糟糕的数据集后续做标签融合时要花大量精力。标注质量有没有把多个机构的标注统一标准边界干净程度如何有没有漏标、错标标注噪声比数据规模更影响精度。样本规模与分布总样本量、各类别样本是否均衡、场景覆盖是否多样。很多遥感数据集类别严重不平衡头部类占了八九成。传感器与波段是航拍还是卫星是真彩色还是多光谱跟你的目标任务数据分布是否接近直接决定迁移效果。使用许可能不能自由下载、能不能商用、需不需要登记。有些数据集只允许学术研究做项目交付前一定先看条款。这六个维度过完之后基本就能判断一个数据集能不能用、要怎么用。接下来我分别拆解四个任务方向的数据集和实操要点。2. 语义分割数据集全景与预处理实操要点2.1 通用土地覆盖分割数据集怎么选语义分割在遥感里最常见的落点是土地覆盖分类也就是把影像像素分类成不透水面、建筑、植被、水体、农田、裸地等类别。这类数据集数量最多但差异也大。我先把几个有代表性的通用分割数据集的基本情况列一个表方便对照数据集名称典型分辨率类别数规模适用方向某高分辨率城区分割数据约0.05-0.09米5-6类数十张大幅航拍影像城区精细分割、多传感器融合某高分卫星土地覆盖数据约0.8-3.2米15类可细分跨数万平方公里大规模土地覆盖、多光谱语义分割DeepGlobe土地覆盖约0.3-0.5米7类约700余张土地覆盖分类挑战、多任务扩展LoveDA城市乡村分割数据约0.3米7类土地覆盖数千张无人机影像块城市-乡村迁移、域适应研究EuroSAT多光谱土地覆盖10米13类约2.7万张影像块多光谱分类、自监督预训练这五个数据集代表了几种不同风格。某高分辨率城区数据适合做精细化城市研究因为它的标注质量好、分辨率高但类别偏少、场景集中在欧洲城市泛化到其他地区时要小心。某高分卫星土地覆盖数据特点是类别很细包含稻田、河渠、工业区等多种类别适合国内地物特征的语义分割项目但分辨率比航空影像低不少细节区域很容易被大目标吞掉。LoveDA则是做城市乡村迁移的好材料类别定义考虑了城乡差异适合做域自适应算法的基准。EuroSAT虽然只有10米分辨率但它有一个很特殊的优势自带13个光谱波段。这意味着你可以拿它验证多波段输入的模型或者做多光谱预训练然后迁移到其他任务上。我有个做农业遥感的朋友最开始就是用EuroSAT做预训练再在特定田间地块数据上微调比随机初始化训练明显省了标注成本。这属于典型的“数据集可能不够黑马但用对场景就很有价值”。2.2 专项分割数据集建筑、道路、水体各有各的坑通用土地覆盖分类之外遥感语义分割还有一个很主流的方向——特定地物的专项提取。建筑、道路、水体这三类是最常见的每个类别都有对应的专项数据集但它们的坑完全不一样。建筑分割数据集的典型特点是标注边界要求非常高。建筑轮廓在影像上通常呈规则的矩形或L形、U形屋顶和地面接触处有明确的边缘。这时模型不仅要分类对还要把边缘磨准。很多建筑分割数据集的标签是从政府GIS数据或OpenStreetMap自动拉取再人工修正的边界往往有一到两个像素的偏移或者锯齿训练时如果不对边缘做加权、不给细标注模型预测结果就会“糊”成一团。道路分割数据集最折磨人的是“断头路”问题。道路在影像里是细长的线性结构标签标注得再干净模型预测时也经常在中途断掉或者把阴影、遮挡区误判成道路。训练的时候我会建议把道路类别提取单独当作一个二分类来做再用连通域分析和后处理把断线接上。道路数据集标注困难、标注成本也远高于矩形地物所以很多道路数据集的标签就是从OpenStreetMap矢量数据栅格化生成的精度参差不齐使用时一定要先人工抽样看看。水体分割数据集的核心坑在于光谱混淆。干净的水体在近红外波段是暗的但阴影、湿土、沥青路面在近红外波段也会偏暗像素级特征很接近。如果你用真彩色三波段数据集训练模型很容易把阴影全部分成水导致精度虚高——准确率接近90%是正常的但看错误样本会发现全是阴影误检。遇到这种情况应该换用带近红外波段的影像或者在后处理环节用地形坡度知识做约束。专做水体提取的女朋友数据一般有专业精度评价DeepWaterMap这样的数据更适合做大范围水域监测的模型训练。2.3 分割数据预处理与标注格式转换的实操细节拿到语义分割数据集第一件事不是做模型而是做格式体检。遥感语义分割的标注有三种主流形式单波段PNG标签图、GeoJSON或Shapefile矢量文件、RLE或JSON编码的COCO格式。很多项目里的坑都发生在格式转换这一步。裁剪瓦片时要考虑边界目标。一张遥感影像动辄上万像素训练时切瓦片是必须的。切瓦片有一个非常容易被忽视的问题目标地物会被切在瓦片边缘甚至切成两半模型看到的语义信息就不完整。我的做法是切瓦片时设置重叠率比如瓦片尺寸512像素时重叠64到128像素。训练时每个epoch还应该改变切片的起始位置相当于给数据加了平移增强。这个技巧很简单但效果非常明显能明显减少模型对裁剪边界的不适应。标签重映射要统一类别索引。不同数据集对类别的编号完全是各做各的有的从0开始有的从255开始有的把背景放在最后。多个数据集联合训练时一定要先做类别映射表把“无数据”“云”“阴影”这些辅助类统一合并成背景或者直接过滤掉。我见过有人把不同数据集的标签直接混在一起喂给模型类别数对不上训练半天loss都不收敛查了一天才发现是标签索引错位。多波段数据要先统一位深和归一化参数。部分遥感数据集是16位无符号整型数值范围从0到65535而深度学习框架通常默认输入是0到255的8位图。直接读进来不处理模型输入分布就全乱了。需要先按百分位截断比如把2%到98%分位之间的数值线性映射到0到255再把均值和标准差计算出来存下来推理阶段也必须用同一组参数做归一化。3. 遥感目标检测数据集从水平框到旋转框再到小目标3.1 先搞清楚你的检测任务该用哪种框目标检测在遥感里是应用最广、讨论度最高的方向之一但很多人一上来就掉进了“框类型不匹配”的大坑。遥感目标检测任务有三种主流框设置水平框、旋转框、无锚点关键点/多边形框。水平框是自然图像检测里最常用的比如YOLO和Faster-RCNN返回的都是矩形框。但遥感影像里的飞机、船舶、储油罐、车辆都有朝向角度用水平框框出来会包含大量背景。举个例子一架向西北方向停靠的客机水平框的短边可能只有二三十像素长边却有上百像素框里一半以上是停机坪地面。这种情况模型对类别判别的噪声会很大定位精度也上不去。旋转框就是给每个目标加了一个角度参数框能贴合目标的长轴方向。目前遥感检测领域的骨干模型基本都支持旋转框训练时需要用带角度回归的分支。选择哪种框核心看目标是“朝向无关”还是“朝向敏感”。对车辆、船舶、飞机、油罐这类有明确朝向的目标我更推荐用旋转框数据集对操场、立交桥、十字路口这类各向同性目标用水平框就足够了强行估角度反而增加优化难度。3.2 大场景通用遥感检测数据集盘点通用遥感检测数据集覆盖多个类别的目标适合做模型预训练、通用检测能力评测以及多类目标检测系统的基础数据。我把自己常用的几个列一下数据集名称类别数影像规模标注实例数标注形式特点DOTA系列15类约2800余张约18.8万水平框旋转框旋转检测基准类别覆盖飞机、船舶、车辆、操场等DIOR数据集20类约23463张约19.2万水平框规模大、场景多样适合弱监督和小样本研究FAIR1M数据集多类超过百万实例规模超过百万旋转框多分辨率多传感器适合预训练和角度检测HRSC2016船舶数据1类船舶约1061张约2976旋转框船舶检测专用分辨率覆盖多种港口场景xView数据集60类约1411张大幅影像约100万水平框类别极不均衡适合多类检测和少样本学习DOTA是我用下来手感最好的通用检测数据集之一。它支持旋转框标注类别覆盖了飞机、船舶、储油罐、棒球场、田径场、立交桥、篮球场等目标尺度和密度跨度都非常大特别适合检验一个检测器在“多尺度旋转目标”上的基本功。DOTA训练出来的旋转框模型迁移到其他遥感检测任务一般不会太差。DIOR数据集的类别定义比较“自然”涵盖了机场、港口、立交桥等复杂结构化场景标签是从高分辨率遥感影像人工标注的质量比较稳。如果你要做的是场景级目标检测而不只是单一目标识别DIOR会比DOTA更接近实际业务分布。xView是一个类别数量很大的数据60个类覆盖了大量小目标但类别不均衡非常严重很多类恐怕只有几十个实例。这类数据集适合做多类检测的鲁棒性评测也可以在少样本检测研究里当测试床。实际拿它做业务模型训练我反而建议只挑那些实例足够多的类去做不然会被“过拟合少数类”折磨。3.3 专项遥感检测数据集车辆、船舶、鸟类与交通设施通用检测数据集解决“什么都会一点”的问题实际业务往往要对某类目标单独深耕。这时候专项检测数据集就更有用了。车辆检测是遥感智能交通里最常见的需求。VEDAI数据集专门针对高空俯拍视角下的车辆小目标检测影像分辨率在0.125米到0.5米之间标注了不同朝向的车辆。这个数据集的特点是目标极小一张图几百个实例单个目标往往只有十几像素宽对检测器的小目标感知能力考验极大。实际做车辆检测时我建议配合大输入分辨率加切图训练否则很难学出有效特征。船舶检测有HRSC2016它提供了旋转框标注场景包括港口、近海、河道船型多样。如果你要做的造船厂设施检测、港口船舶监控可以直接在这个数据集上做预训练。它规模不算大但胜在场景干净、标注一致性好。鸟类目标检测数据集的关注度是这两年升上来的。生态保护区需要做鸟类种群监测传统人工数鸟效率太低用无人机航拍加目标检测做自动识别已经成了趋势。这类数据集的特点是目标极小、类别细、遮挡严重很多鸟类在影像里只有几个像素。遥感鸟类检测不能照搬自然图像鸟类数据集的经验基本都得把整套检测流程针对小目标重做大幅提升输入分辨率、多尺度特征融合、切图推理加重叠策略。交通设施检测也是智慧交通项目里绕不开的方向包括交通信号灯、道路标线、井盖、护栏等。这些目标在遥感影像里往往非常小而且密集需要高分辨率影像配合后续经常要跟多模态AI分析结合比如用YOLO检测到事故车辆位置后再利用文本大模型对现场描述做语义理解形成更完整的交通事故检测分析系统。这类系统在低空无人机巡飞场景下已经有不少落地数据层面其实不需要很复杂关键是目标检测要稳小目标不能漏。3.4 YOLO系模型在遥感数据上的适配经验YOLO现在已经是目标检测领域的事实标准之一很多做遥感检测的人也会首选YOLO系模型。但直接在遥感数据集上跑原版YOLO效果通常不太理想主要问题出在三个方面。第一个问题是小目标。YOLO系模型的默认输入分辨率一般是640乘640对遥感小目标来说一缩放到640很多目标就消失了。我的经验是至少把输入分辨率提到1024甚至1280配合多尺度训练让模型有机会看到更多小目标的细节。代价是显存占用上涨明显实际训练时需要在批大小和分辨率之间做平衡。第二个问题是旋转目标。原版YOLO输出水平框虽然也能检测旋转目标但定位精度差不少。如果项目里目标朝向对业务有实际意义比如船舶靠泊方向、飞机朝向就应该用带旋转框能力的变体版本。这类模型原理上就是在YOLO的回归头里加了角度分支代码里配置好角度范围和数据格式就能训练。第三个问题是切图策略。遥感影像超大推理时也是切图再拼回去。切图重叠率、拼图时对边界框去重NMS的阈值都要重新调。拼图时同一个目标可能被多个瓦片重复检测如果不做跨瓦片NMS最后显示的框会特别多。我的做法是推理时把瓦片重叠设成目标最大尺寸的一半融合时用较严格的IOU阈值做去重效果好很多。4. 场景分类与变化检测从“看懂单张图”到“看懂时间变化”4.1 场景分类数据集从几千张到百万级的演进场景分类是遥感领域历史最长的任务之一它不做像素级精细标注而是给整张影像块打一个语义类别标签。早期的场景分类数据集规模都不大UCMerced土地利用数据集是经典中的经典21个类别、每类100张图虽然小但直到现在很多论文还是拿它做新算法验证。AID数据集把规模提到了30类、约1万张类别设计更贴近实际场景开始有了一些工程参考价值。再往后PatternNet等数据集不断加入更高分辨率的场景图像。而真正把场景分类推向深度学习的是EuroSAT和BigEarthNet这类“大而全”的数据集。EuroSAT只有13类约2.7万张影像块但特色是多光谱BigEarthNet则达到百万级影像块覆盖Sentinel系列卫星数据类别体系也更大比较适合做自监督预训练。场景分类数据集的选型要特别注意“类别混淆”问题。很多遥感场景类别之间并没有清晰边界比如“居民区”和“高层小区”在影像上往往非常相似“稀疏森林”和“灌木丛”也很难肉眼分辨。这种混淆性会让模型训练出的类别边界不稳定。如果一个数据集把相似类别划分得过细而每类样本量又不大模型的泛化会很差反之把大类合并成“城市”“农村”“自然”这种粗粒度模型倒是好训但业务价值会降低。实际操作中我经常将多个场景数据集的类别做映射合并后联合训练效果比单用某个数据集好不少。4.2 变化检测数据集双时相配对是核心难点变化检测是遥感任务的“进阶版本”它输入的是同一地区两时相的影像输出是变化区域的像素级mask。这类数据集的收集和标注难度比前面几个方向高一个量级因为要保证两时相影像配准精度、光照一致性还要人工标出“哪里变了、变成什么”所以数量远少于常规数据集。几个主流的公开变化检测数据集各有侧重点有的重点针对建筑变化检测数据是高分航空影像分辨率在0.075米到0.5米之间单张影像切成固定大小的影像块双时相已经做好配准有的使用10米Sentinel-2卫星多光谱数据覆盖城市区域适合做大范围快速变化监测还有的面向全球场景采集跨度大、场景复杂适合做泛化性要求高的模型验证。我用变化检测数据时最看重的三个点配准精度、时相间辐射差、标注类别粒度。配准精度不足两时相同一地物错开几个像素变化检测模型就会在边缘处疯狂报错时相间辐射差大比如一张是夏季植被茂密、一张是冬季植被稀疏模型很容易把季节变化当成地物变化。这要求训练时除了模型本身还要做一些辐射归一化预处理让两时相影像在亮度、颜色上尽量对齐。STANet这类基于时空自注意力机制的变化检测网络专门建模双时相之间的长距离依赖可以明显降低配准误差带来的影响很适合作为变化检测任务的强基线。4.3 开放词汇变化检测与多模态分析的新趋势传统变化检测只能回答“变没变”“在哪里变”但实际业务更想回答“变成什么了”。过去这依赖固定类别标注模型只能检测预先定义好的几类变化。近两年基于视觉语言模型的开放词汇变化检测开始热门它把文本描述引入了变化检测流程比如用户可以输入“新建建筑物”“道路损坏”“植被砍伐”这类自然语言描述模型在双时相影像上定位并识别出对应变化区域。这个方向的核心价值在于“零样本”能力。训练阶段模型见过的是建筑变化、水体变化等常规类别推理时让用户输入一个从未见过的变化描述比如“新增了太阳能面板”模型依然有希望定位到对应区域。这种能力在灾害评估、城市规划、应急响应里太有用了。目前的开放词汇变化检测框架一般基于CLIP这类视觉语言预训练模型加上双时相特征对齐模块我的经验是这类方法对文本描述很敏感描述越具体、词汇越精确检测结果越稳。比如“新建建筑物”比“建筑物”效果好因为后者的语义范围太宽模型不知道该找什么。再往外延伸就是遥感多模态AI分析。遥感影像本身是视觉数据但业务场景里经常伴随文本报告、矢量图层、传感器时序数据。把YOLO检测到的车辆、建筑等目标跟LLM对文本的理解结合起来就能做出更完整的智能分析系统。比如智慧交通领域利用YOLO检测事故位置和事故车辆再结合多模态大模型对现场文本描述进行分析可以输出事故原因判断和处置建议。这类系统已经不光是目标检测一个模块的事而是数据、模型、任务的多层组合。5. 数据获取、预处理与避坑实录从下载到训练的完整经验5.1 下载与存储网盘、镜像和断点续传那些事遥感公开数据集的下载是很多新手遇到的第一个隐形门槛。很多数据集动辄几十甚至上百GB直接从原始网站下载很容易断线。我踩过几次坑之后总结了几条经验。优先找官方来源或学术镜像。不少数据集在官网提供了HTTP直链或者学术云盘链接这类链接速度不一定快但一般稳定。下载大型数据集前先检查有没有人做过学术镜像比如某些开源镜像站会同步知名遥感数据集速度和国内访问体验会好很多。大文件下载一定要用支持断点续传的工具别直接扔给浏览器。浏览器下载到一半断了又要从头开始几十GB的文件反复折腾心态直接崩掉。用带分片并发和断点续传的命令行工具效率能高好几倍。下载完成后第一时间校验文件完整性很多数据集官网会提供MD5或SHA256校验值这一步不能跳。我遇到过一次数据集下载下来解压到一半报错白下了好几天就是因为没有先校验文件哈希。存储规划也要提前做。高分辨率遥感数据集解压后体积通常是压缩包的两到三倍如果模型训练还要做瓦片缓存磁盘会更紧张。我的习惯是“热数据放SSD冷数据放机械硬盘”训练集、测试集放SSD提速原始未处理的大影像归档到机械硬盘。数据集多的时候可以给每个数据集建一个README纪要记录下载时间、来源、版本、磁盘空间占用、处理状态省得几个月后记不清这份数据是干过什么的。5.2 统一坐标与数据格式最容易被忽视的环节遥感数据集跟自然图像数据集还有一个很大的区别大部分影像自带地理信息比如坐标系、地理范围、分辨率。这些元数据在模型训练时用不到但在预处理阶段极其重要。第一步是统一坐标系。不同数据集的影像可能来自不同椭球和投影坐标系有WGS84经纬度的有UTM投影的还有地方坐标系的。做跨数据集训练或做多源数据融合时如果不先把坐标系统一在切割、拼接、配准时会出现严重的位置偏移。一般做法是用GDAL库统一重投影到目标坐标系比如WGS84或Web墨卡托。处理完后打开影像检查一下地理范围是否重叠是否出现整体偏移。第二步是统一波段顺序和位深。有的数据集是RGB三波段有的是RGBN四波段有的是16位单波段格式有GeoTIFF、PNG、JPEG、ENVI格式等。把这些统一成模型要的格式是预处理的核心。我的建议是直接转成GeoTIFF格式保留地理信息空间维度不足时按位深做线性缩放。第三步是统一标签格式。前面提过语义分割标签有PNG、GeoJSON、COCO等格式目标检测标签有TXT、XML、JSON等格式。建议建一套内部统一的数据格式规范比如分割任务统一用单波段8位PNG掩码检测任务统一用COCO JSON或YOLO的TXT格式然后写一个转换脚本把不同数据集的标注都转过来。这个过程看着机械但把格式统一后后续训练代码就不用再为每个数据集写单独的读取逻辑了。5.3 标注质量检验数据集的真实上限在这里标注质量是决定深度学习模型上界的“隐形天花板”但很多人在选数据集时根本不看标注质量。我现在的习惯是拿到一个新数据集先抽20到30个样本把标签跟原始影像叠加着看人工检查一遍。检查的核心是边界质量和漏标情况。在语义分割数据集里看类别边缘是否干净有没有出现标注边界比实际地物边界大好几像素的情况有没有某个类别区域被明显漏标这类问题一旦存在模型训练时会给边缘像素带来不确定的监督信号表现就是验证集精度一直卡在一个不上不下的位置改什么网络结构都很难提升。在目标检测数据集里看边界框是否跟目标贴合旋转框是否包住了整个目标水平框是否框进了大量背景有没有漏标目标。漏标在检测任务里特别致命模型会把漏标的目标当成背景来学训练过程会一直矛盾。检查完还要统计类别分布。遥感数据集普遍存在类别极度不平衡的问题比如一个数据集里建筑物占了80%的像素道路只有2%——如果直接拿来训练模型会严重偏向多数类。解决办法主要有类别重加权、少数类过采样、多数类降采样、损失函数加Focal Loss等。从经验看先做数据分析明确不均衡程度再决定用哪种策略比盲目调损失参数靠谱得多。标注质量检查另一个常用手段是“训练后观察错误样本”。模型训练完把预测结果和标签叠加在一起看如果错误主要集中在标签边界附近说明标签边缘噪声大如果错误成群出现比如整块区域都被预测成另一类可能是类别定义有歧义甚至可能标签本身有系统性错标。这种方法相当于用模型当“探针”反过来检验数据质量我在多个项目里靠它发现过数据集本身的标注bug。5.4 常见问题速查表下面这张表整理了我在使用遥感数据集时遇到过的高频问题以及对应的解决思路问题现象可能原因排查与解决训练loss正常但验证集AP很低数据集类别不均衡模型偏向多数类统计类别分布增加类别重加权或Focal Loss检查漏标情况换了好几个模型精度都上不去标注质量问题标签边缘噪声大或系统性错标抽样叠加可视化检查标签用训练后错误样本反查数据切图训练时目标被切断推理拼接有重复框瓦片切割没做重叠推理拼接NMS策略不对训练切割设重叠推理设重叠并做跨瓦片NMS双时相影像颜色差异巨大变化检测误报严重时相间辐射差未处理季节不同做辐射归一化、直方图匹配优先使用辐射校正后的数据下载的大文件解压报错下载不完整或文件已损坏下载前先校验MD5换支持断点续传的工具重新下载读取16位TIFF显示全黑或全白位深和归一化没处理百分位截断后线性映射到0-255记录均值和标准差多个数据集联合训练loss震荡不收敛类别编号冲突、标签格式不一致统一类别映射表统一标签格式先小样本验证数据里有大片云、阴影、无数据区域影像辅助信息未过滤类别定义混乱利用质量评估波段或NDVI等指数过滤无效区域把“无数据”统一成忽略类5.5 最后再分享一个我自己的小习惯做了几年遥感AI项目我现在拿到一个新数据集第一步永远是“先用200张图跑通流程”而不是急着全量训练。这200张图用来验证数据读取、格式转换、数据增强、模型IO这些环节是不是顺畅。把全流程跑通之后再上全量数据训练能少浪费大量时间和精力。另一个小习惯是给每个数据集维护一个“数据集病历本”记录它在哪些任务上表现好、哪些场景下出现什么毛病、标注噪声集中在哪。这个习惯帮我避掉过很多重复的坑比如某数据集在冬季影像上明显表现差某检测数据集对旋转框的适配需要额外调角度阈值。如果你也在遥感数据集的海洋里挣扎希望这篇整理能帮你少走点弯路直接找准方向。