无人机航拍语义分割数据集｜地表覆盖分类｜耕地环保监测训练集

遥感航拍地物分割数据集｜农业自然资源调查｜低空视觉分割样本库

山川河道环保监测数据集｜城市农田植被水体识别深度学习数据

---

低空遥感与智慧国土快速发展，耕地监测、环保督察、国土调查、河道治理、城乡规划对高精度地表语义分割需求激增。但航拍场景存在地物细碎、边界模糊、光照复杂、尺度差异大等难点，通用分割数据集难以适配真实低空视角。本文介绍无人机地表多类别语义分割数据集，配套分割模型训练、推理、可视化全流程代码，开箱即用，快速落地国土/农业/环保低空智能解译系统。10205

---

📁 项目总览

• 项目领域：计算机视觉｜语义分割｜低空遥感｜智慧农业｜环保监测
• 核心任务：无人机航拍图像高精度地表覆盖分类与像素级分割
• 数据规模：220 张高清航拍图像，单数据集完整结构
• 标注类别：裸土、建筑、农田、温室、草本、不透水面、透水面、植被、水体共9类
• 数据格式：原图 JPG + 像素级掩码 PNG，标准分割格式
• 适配算法：UNet、DeepLabv3+、SegFormer、YOLOv8‑seg 等主流分割框架
• 应用场景：耕地提取、国土调查、环保监测、山川河道识别、城乡地物分类

---

🧾 数据集核心信息

信息项	详情
任务类型	计算机视觉 · 语义分割（Semantic Segmentation）
标注类别	裸土、建筑、农田、温室、草本、不透水层、透水层、植被、水体
数据总量	220 张无人机航拍图像 + 对应掩码标签
数据格式	图像：JPG；标注：PNG 掩码图（像素级分类）
场景特点	城乡混合、农业地块、山川河道、植被水体、建筑道路全覆盖
适用任务	小样本分割学习、地表解译、遥感分类、资源调查、环境监测

---

✨ 核心优势

• 低空视角专属：无人机真实航拍，完全匹配遥感巡检场景
• 地物覆盖全面：9大类覆盖自然/人工/农业/水体全要素
• 像素级精准标注：边界清晰、类别规范，适合分割模型训练
• 小样本友好：规模精简，适合快速验证、算法原型、教学实验
• 工程化就绪：兼容主流分割框架，配置简单、训练稳定、易部署

---

📂 标准目录结构

drone-semantic-seg/
├── images/                # 航拍原图
│   ├── train/
│   └── val/
├── masks/                 # 像素级分割掩码
│   ├── train/
│   └── val/
├── scripts/
│   ├── split_seg.py       # 分割数据集划分
│   ├── vis_mask.py        # 掩码可视化
│   └── mask2yolo.py       # 转YOLO分割格式
├── config.yaml            # 分割训练配置
├── train_seg.py           # 语义分割训练
├── predict_seg.py         # 推理与可视化
└── README.md

---

🧪 深度学习实战代码

1. config.yaml

# 场景注释：无人机低空遥感·9类地表语义分割配置
# 地物尺度差异大、边界细碎，建议 imgsz=640，开启多尺度训练
path: ./drone-semantic-seg
train:
  images: images/train
  masks: masks/train
val:
  images: images/val
  masks: masks/val

num_classes: 9
class_names: [
    "baresoil", "building", "farmland", "greenhouse",
    "herbaceous", "impervious", "pervious", "vegetation", "water"
]

# 分割调参经验：
# 1. imgsz=640/800 提升小地块、细边界精度
# 2. 开启水平翻转、旋转增强，提升泛化性
# 3. 使用 CrossEntropyLoss 平衡多类别

2. train_seg.py（YOLOv8‑seg 分割训练）

from ultralytics import YOLO

# 场景注释：无人机地表分割·城乡/农业/水体混合场景训练
# 针对边界模糊、小地块、多类别不均衡做优化
if __name__ == "__main__":
    model = YOLO("yolov8s-seg.pt")

    model.train(
        data="config.yaml",
        epochs=120,
        imgsz=640,
        batch=8,
        device=0,
        patience=10,
        lr0=0.001,
        lrf=0.01,
        weight_decay=0.0005,
        warmup_epochs=3,
        cos_lr=True,
        augment=True,
        hsv_h=0.015,
        hsv_s=0.7,
        hsv_v=0.4,
        degrees=15.0,
        name="drone_semantic_seg"
    )

3. predict_seg.py

from ultralytics import YOLO
import cv2

# 场景注释：无人机航拍分割推理·输出地物分类掩码与可视化图
def seg_predict():
    model = YOLO("./runs/segment/drone_semantic_seg/weights/best.pt")

    img_path = "drone_aerial.jpg"
    # 高分辨率提升细节分割效果
    results = model.predict(
        source=img_path,
        imgsz=640,
        conf=0.25,
        save=True
    )

    # 保存掩码结果
    res_img = results[0].plot()
    cv2.imwrite("seg_result.png", res_img)

if __name__ == "__main__":
    seg_predict()

4. vis_mask.py（掩码可视化查看）

import cv2
import numpy as np

# 场景注释：分割数据集可视化·查看掩码与原图叠加效果
def visualize_mask(img_path, mask_path, alpha=0.5):
    img = cv2.imread(img_path)
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)

    # 生成彩色掩码
    colormap = np.random.randint(0, 255, (9, 3), dtype=np.uint8)
    color_mask = colormap[mask]

    # 叠加显示
    overlay = cv2.addWeighted(img, 1-alpha, color_mask, alpha, 0)
    cv2.imwrite("vis_mask.png", overlay)

if __name__ == "__main__":
    visualize_mask("test.jpg", "mask.png")

---

🎯 落地应用方向

1. 耕地资源监测：精准提取农田、温室，支撑非粮化监测
2. 环保河道监管：水体、植被、裸土自动提取，督察污染变化
3. 国土空间调查：建筑、道路、地表覆盖自动分类入库
4. 山川生态监测：植被覆盖、水土流失、生态环境智能解译
5. 城乡规划测绘：快速生成地物分类图，辅助规划决策

---

📌 标签

#无人机语义分割 #航拍数据集 #地表分类 #遥感分割 #耕地监测 #环保监测 #语义分割数据集 #智慧农业 #国土调查 #低空遥感 #YOLO分割 #计算机视觉 #深度学习数据集