SatQuery AI

Готовый чекпоинт DeepLabV3+ с энкодером ResNet-50 (ImageNet), дообученный на датасете LoveDA для семантической сегментации спутниковых снимков высокого разрешения. Модель предсказывает 7 классов, вход — RGB-изображения 1024×1024.

🔜 Ключевые особенности

• ▶ Архитектура DeepLabV3+ на базе библиотеки Segmentation Models PyTorch, 26,7 млн параметров.
• ➕ Семь классов: background, building, road, water, barren, forest, agriculture; пиксели no-data помечены 255 и игнорируются.
• ✖ В репозитории два чекпоинта: best_deeplabv3plus.pth (лучший по validation mIoU) и last_deeplabv3plus.pth; рекомендуется первый.
• 🟰 Обучение: AdamW, lr 1e-4, CrossEntropyLoss, FP16, batch size 4, 10 эпох на NVIDIA Tesla T4.
• 🔜 Инференс выдаёт три файла: карту меток, цветную маску и наложение на исходный снимок.

➕ Пример

python inference.py \
    --image "/path/to/input_image.png" \
    --checkpoint "best_deeplabv3plus.pth" \
    --output "inference_output"

Изображение на входе должно быть RGB и ровно 1024×1024. Зависимости и полный пайплайн — в GitHub-проекте Sat-Query-AI.

Подробнее

На validation split: accuracy 68,30%, mIoU 48,21%, mean F1 63,91%.
Лучше всего модель видит water (IoU 60,80%), building (60,12%) и agriculture (53,19%).
Слабое место — barren (IoU 21,48%) и forest (38,32%); тонкие структуры и границы классов даются тяжело.
Это 10-эпохный пилот: замеров на независимом test set нет, метрики только на валидации.