YOLO目标检测怎么用?卫星图识别车辆?

为什么你的卫星图车辆识别总失败？可能从第一步就错了

上周一位研究生私信我：‘Dr. Gis，我用YOLO跑高分二号影像，结果满屏都是误检的“幽灵车”，连树影和屋顶都被当成了轿车……’。这太常见了——不是模型不行，而是你还没搞懂卫星视角下的目标检测和街景摄像头的本质区别。

我在某智慧城市项目中踩过同样的坑：直接拿COCO预训练模型检测0.5米分辨率影像，召回率不到30%。后来我们重构数据标注策略+调整锚框尺度，性能直接翻倍。

YOLO不是万能胶水，卫星图识别需要“特制扳手”

想象一下：你让一个只见过停车场俯拍照片的人，去辨认航拍图里的汽车——他大概率会把空调外机当成SUV。YOLO同理，它的默认配置（如锚框尺寸、输入分辨率）是为ImageNet或COCO这类“平视视角”数据集设计的。而卫星图中的车辆：

• 尺寸极小（常<32x32像素）
• 方向随机（不像道路监控有固定朝向）
• 背景复杂（阴影、屋顶、农田纹理干扰）

这就要求我们必须对YOLO进行“眼科手术式”的改造。核心三步走：

1. 重置锚框（Anchor Boxes）：用K-means聚类你的标注数据，生成适配卫星图车辆长宽比的锚框。别再用默认的[10,13]这种小框了！
2. 提升输入分辨率：从416x416升级到832x832甚至更高，否则小目标在特征图上只剩1-2个像素点。
3. 强化小目标检测层：修改网络结构，在更浅层（如P3/P4）增加检测头，避免小目标信息在深层被“池化”掉。

实战：用YOLOv8在QGIS里圈出停车场所有车辆

我们以开源的SpaceNet 7数据集为例（含WorldView-3影像），演示全流程：

# 1. 安装依赖（假设已配好CUDA）
pip install ultralytics roboflow

# 2. 下载并预处理数据（Roboflow自动切片增强小目标）
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR_KEY")
project = rf.workspace("gis-lab").project("satellite-vehicles")
dataset = project.version(1).download("yolov8")

# 3. 训练定制化YOLOv8n（关键参数已优化）
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(
    data='satellite-vehicles-1/data.yaml',
    epochs=100,
    imgsz=832,          # 关键！提升分辨率
    batch=16,
    hsv_h=0.015,        # 减弱色彩抖动（卫星图色差小）
    degrees=0,          # 禁用旋转（车辆方向本就随机）
    scale=0.9           # 缩放增强保留更多小目标
)

训练完成后，在QGIS中调用模型批量推理：

# 在QGIS Python控制台执行
import cv2
from ultralytics import YOLO

model = YOLO('runs/detect/train/weights/best.pt')
raster_layer = iface.activeLayer()  # 选中卫星图层

for tile in split_raster_into_tiles(raster_layer, size=832): 
    results = model(tile.array, conf=0.4)  # 置信度阈值调低
    for box in results[0].boxes.xyxy:
        add_rectangle_to_map(box)  # 将检测框绘制到地图

避坑指南：三个让你少熬三天夜的经验

结语：从“能跑通”到“能商用”的最后一公里

YOLO在卫星图车辆检测的价值，不在于炫技式的mAP分数，而在于能否稳定输出业务需要的统计结果——比如停车场周转率、灾后损毁车辆分布。记住：没有完美的通用模型，只有针对场景深度优化的解决方案。

行动建议：下载一份DIOR数据集，按本文方法训练你的第一个卫星车辆检测器。遇到具体报错？把错误截图和代码贴在评论区，我会抽三个案例详细拆解！