影像自定义深度学习

本教程将利用自定义深度学习功能实现建筑物轮廓自动提取。

训练数据标注

1. 准备数据

选择了建筑物的影像数据进行标注，数据如下所示，本教程以该数据演示整个流程。

2. 标注数据

影像模型训练支持的标注格式是labelme的json格式，可以使用LiDAR360 8.0提供的矢量编辑功能进行数据标注，也可以直接使用labelme的标注工具。本教程使用LiDAR360 8.0矢量编辑进行数据标注。

2.1 数据加载

首先使用LiDAR360软件打开需要标注的数据，然后按照顺序点击矢量编辑->编辑器->新建临时矢量，将图层名字改为需要标注的类别，这里设置图层名为building。

注意：标注的数据尽量选择尺寸小于4000x4000，如果超过建议切图后再进行标注。

2.2 基于SAM的半自动标注工具

数据标注可以完全手动使用矢量编辑功能对图中的建筑物轮廓进行编辑来生成标注文件，也可以使用基于半自动的标注工具SAM快速对数据进行标注。SAM位于当前界面中的要素提取模块中，点击SAM启动成功后如下图中所示，接着就可以对建筑物进行标注。该工具的具体使用可参考SAM手册进行使用。

2.3 标注结果导出为训练格式

当前影像数据标注完后，点击编辑器->Export LabelMe，将在影像同级文件夹中生成一个同名的json文件，该文件就是标注的结果文件。

3. 建筑物轮廓提取模型训练

3.1 训练数据组织

当所有数据标注完成后，需要按格式组织标注文件和影像文件才能进行训练，其文件格式如下所示。

data/building └───train │ -----image_1.tif │ -----image_1.json

│ -----image_2.tif │ -----image_2.json

│ -----image_3.tif │ -----image_3.json

.......

└───val

│ -----image_1.tif │ -----image_1.json

│ -----image_2.tif │ -----image_2.json

│ -----image_3.tif │ -----image_3.json

.......

训练数据中应当包含train文件夹和val文件夹，train/val文件中都是由多个影像文件和对应的标注文件组成。在本教程中train和val使用了相同的数据进行演示，实际使用中数据不应该一样。train文件是用于训练模型，val文件是用于验证模型性能。train和val需要手动划分，建议两者数量比例为4:1。