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

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-segtrain:images:images/trainmasks:masks/trainval:images:images/valmasks:masks/valnum_classes:9class_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）

fromultralyticsimportYOLO# 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

fromultralyticsimportYOLOimportcv2# 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defseg_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）

importcv2importnumpyasnp# 场景注释：分割数据集可视化·查看掩码与原图叠加效果defvisualize_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")