LSKNet 开源项目使用教程

1. 项目介绍

LSKNet（Large Selective Kernel Network）是一个为遥感对象检测设计的基础轻量级骨干网络。该项目在IJCV 2024和ICCV 2023上发表，旨在通过动态调整其大空间感受野来更好地建模遥感场景中各种对象的远距离上下文。LSKNet是首个在遥感对象检测领域探索大核和选择性核机制的网络，无需额外装饰，其轻量级设计在标准遥感分类、对象检测和语义分割基准上取得了新的最先进分数。

2. 项目快速启动

安装依赖

首先，确保你已经安装了Python 3.8及以上版本，并安装了PyTorch、MMCV和MMDetection。以下是快速安装步骤：

# 创建并激活虚拟环境
conda create --name openmmlab python=3.8 -y
conda activate openmmlab

# 安装PyTorch
conda install pytorch==1.8.0 torchvision==0.9.0 cudatoolkit=10.2 -c pytorch

# 安装MMCV和MMDetection
pip install -U openmim
mim install mmcv-full
mim install mmdet

# 克隆LSKNet仓库
git clone https://github.com/zcablii/LSKNet.git
cd LSKNet

# 安装项目依赖
pip install -v -e .

快速启动

以下是一个简单的示例，展示如何使用LSKNet进行遥感对象检测：

import torch
from mmrotate.models import build_detector
from mmrotate.datasets import build_dataset
from mmrotate.apis import train_detector

# 构建数据集
dataset = build_dataset(cfg.data.train)

# 构建模型
model = build_detector(cfg.model, train_cfg=cfg.get('train_cfg'), test_cfg=cfg.get('test_cfg'))
model.init_weights()

# 训练模型
train_detector(model, dataset, cfg, distributed=False, validate=True)

3. 应用案例和最佳实践

应用案例

LSKNet在多个遥感数据集上表现出色，包括DOTA1.0、FAIR1M-1.0和HRSC2016。以下是一些典型应用案例：

• DOTA1.0: LSKNet在DOTA1.0数据集上取得了81.85%的mAP，显著优于其他方法。
• FAIR1M-1.0: 在FAIR1M-1.0数据集上，LSKNet的mAP达到了47.87%，展示了其在复杂场景中的强大性能。
• HRSC2016: LSKNet在HRSC2016数据集上的mAP(12)达到了98.46%，证明了其在高分辨率遥感图像中的有效性。

最佳实践

• 数据预处理: 确保输入图像的分辨率和格式符合LSKNet的要求。
• 模型微调: 根据具体任务调整模型的超参数，如学习率、批量大小等。
• 多尺度训练: 使用多尺度训练策略可以进一步提升模型性能。

4. 典型生态项目

LSKNet作为一个基础轻量级骨干网络，可以与其他遥感处理工具和框架结合使用，形成强大的生态系统。以下是一些典型的生态项目：

• MMRotate: 一个基于PyTorch的旋转框检测工具箱，支持LSKNet作为其骨干网络。
• GeoSeg: 一个用于遥感图像分割的工具箱，LSKNet可以作为其骨干网络，提升分割性能。
• LoveDA: 一个遥感图像数据集，LSKNet在其上的表现优异，可以作为基准模型进行比较。

通过结合这些生态项目，LSKNet可以广泛应用于遥感图像的分类、检测和分割任务中，为遥感领域的研究和应用提供强有力的支持。