PaddleRS：geojson-建筑提取

---

本文介绍使用PaddleRS基于GeoJSON数据进行建筑提取的全流程。先安装GDAL、PaddleRS及pygeovis等依赖，解压含tif和geojson文件的数据集，经预处理将geojson转图像、切片并生成数据列表，再构建数据集、定义UNet模型训练，最后评估并推理，还可将结果转为geojson在地图上展示。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

PaddleRS：geojson-建筑提取

GeoJSON是一种对各种地理数据结构进行编码的格式，基于J*ascript对象表示法(J*aScript Object Notation, 简称JSON)的地理空间信息数据交换格式。

在一些在线地图应用中，进行建筑的标注等主要通过上传相关的geojson数据。我们可以通过geojson.io进行查看。而一些标签的数据，同样是来自如OSM等导出的geojson数据。下面我们将使用PaddleRS，针对geojson的标签进行训练和预测的全流程进行操作。

0. 准备

1. 由于其中涉及到一些坐标转换和格式转换（*.tif等），因此需要先安装GDAL。

2. 安装pygeovis，这是根据folium进行保存的库，用于简单将栅格图像和geojson显示在可交互的OSM地图上。

3. 克隆并安装PaddleRS及其依赖项。

In [ ]

# 安装GDAL! pip install -q --upgrade pip
%cd data/data136010
! mv GDAL-3.4.1-cp37-cp37m-manylinux.whl GDAL-3.4.1-cp37-cp37m-manylinux_2_5_x86_64.manylinux1_x86_64.whl
! pip install GDAL-3.4.1-cp37-cp37m-manylinux_2_5_x86_64.manylinux1_x86_64.whl
%cd ~

    In [ ]

# 克隆项目# %cd ~# ! git clone https://github.com/PaddlePaddle/PaddleRS.git# 安装requirements# ! pip install -qr PaddleRS/requirements.txt# ! pip install -qe PaddleRS! pip install -e git+https://github.com/PaddlePaddle/PaddleRS.git#egg=paddlers

    In [ ]

# 用于显示交互式的地图和结果! pip install -q pygeovis

    In [5]

# 导入# import sys# sys.path.append("src/paddlers")

   

1. 数据预处理

原始的数据在work/test_data.zip中，数据如下：

test_data
       ├─ train.tif
       ├─ train.geojson
       ├─ val.tif
       └─ val.geojson

       

因为数据是一张大图，因此在训练评估前需要裁剪为较小的大小。预处理部分有以下几点：

1. 解压数据集。

2. 将geojson转为图像（由于脚本的转换是保留相同的名字，train.geojson对应的train.tif已经存在，因此需要先进行一次重命名）。

3. 将数据进行切片，可以通过--block_size进行块大小设置，默认512。

   知我AI·PC客户端

   离线运行 AI 大模型，构建你的私有个人知识库，对话式提取文件知识，保证个人文件数据安全

   61 查看详情

4. 生成数据列表。

In [ ]

# 解压! unzip -oq work/test_data.zip -d work/test_data

    In [ ]

# json转为mask! python PaddleRS/tools/geojson2mask.py --srcimg_path work/test_data/train.tif \
    --geojson_path work/test_data/train.geojson \
    --s*e_path work/test_data/train_label.tif
! python PaddleRS/tools/geojson2mask.py --srcimg_path work/test_data/val.tif \
    --geojson_path work/test_data/val.geojson \
    --s*e_path work/test_data/val_label.tif

    In [ ]

# 数据切片! python PaddleRS/tools/split.py --image_path work/test_data/train.tif --mask_path work/test_data/train_label.tif --s*e_dir dataset/train
! python PaddleRS/tools/split.py --image_path work/test_data/val.tif --mask_path work/test_data/val_label.tif --s*e_dir dataset/val

   

*数据展示

pygeovis中仅有Geovis对象，拥有的方法也只有addRaster、addVector和show，分别对应添加一个栅格图层、添加一个矢量图层以及显示。通过下面的代码可以在notebook中显示交互式地图。效果如下：

       

注意：保存时请清除这个交互式地图，不然notebook太大了退出后所有内容不可见

In [ ]

# 新的paddlers集成了显示功能，提供国内图源，因此该地需缩放才能看到在线地图from paddlers.utils.visualize import map_display

map_display(    "work/test_data/train_label.tif",    "work/test_data/train.tif",
    [1, 2, 3]
)

    In [ ]

# 划分数据集import osimport os.path as ospimport randomfrom tqdm import tqdm

random.seed = 888def create_list(dataset_floder: str) -> None:
    mode = ["train", "val"]    for m in mode:
        img_names = os.listdir(osp.join(dataset_floder, m, "images"))
        random.shuffle(img_names)        if ".ipynb_checkpoints" in img_names:  # 移除ipynb_checkpoints
            img_names.remove(".ipynb_checkpoints")        with open(osp.join(dataset_floder, (m + "_list.txt")), "w") as f:            for idx, img_name in tqdm(enumerate(img_names)):
                img_path = osp.join(m, "images", img_name)
                lab_path = osp.join(m, "masks", img_name.replace("jpg", "png"))
                f.write(img_path + " " + lab_path + "\n")

create_list("dataset")

   

*数据检查

为了检查前面的geojson转为图像以及分块是否正确，我们可以通过读取train_list.txt中的图像进行显示，检查正确性。

In [ ]

# 查看数据import os.path as ospimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image

%matplotlib inline

dataset_floder = "dataset"with open(osp.join(dataset_floder, "train_list.txt"), "r") as f:
    train_paths = f.readlines()for train_path in train_paths:
    img_path, lab_path = train_path.strip().split(" ")
    img_path = osp.join(dataset_floder, img_path)
    lab_path = osp.join(dataset_floder, lab_path)
    img = np.asarray(Image.open(img_path))
    lab = np.asarray(Image.open(lab_path))    print("标签值：", np.unique(lab))  # 查看标签中有的值
    plt.figure(figsize=(10, 5))
    plt.subplot(121);plt.imshow(img);plt.title("Image")
    plt.subplot(122);plt.imshow(lab * 255);plt.title("Label")
    plt.show()    break

   

2. 训练

PaddleRS的设计主要参考自PaddleSeg，因此我们像使用PaddleSeg一样的使用PaddleRS。

2.1 构建数据集

首先是构造数据集，为数据集添加对应的transforms。在PaddleRS中所有的transforms都可以对多通道的数据进行处理，这是为了方便遥感方面的一些设计。

In [ ]

# 构建数据集from paddlers.datasets import SegDatasetimport paddlers.transforms as T

train_transforms = T.Compose([
    T.RandomHorizontalFlip(),  # 随机水平翻转
    T.RandomVerticalFlip(),  # 随机竖直翻转
    T.RandomDistort(),  # 随机色彩的扭曲
    T.Resize(target_size=512),  # 固定大小
    T.Normalize(mean=[0.5] * 3, std=[0.5] * 3),  # 归一化])

eval_transforms = T.Compose([
    T.Resize(target_size=512),
    T.Normalize(mean=[0.5] * 3, std=[0.5] * 3),
])# 分别构建训练和验证所用的数据集train_dataset = SegDataset(
    data_dir="dataset",  # 数据地址
    file_list="dataset/train_list.txt",  # 数据列表路径
    transforms=train_transforms,
    num_workers=0,
    shuffle=True  # 是否打乱数据集)

eval_dataset = SegDataset(
    data_dir="dataset",
    file_list="dataset/val_list.txt",
    transforms=eval_transforms,
    num_workers=0)

   

2.2 定义任务

这里我们选择了最常用的网络之一UNET。可以通过model.net获取paddle.nn.Layer类型组网。

In [ ]

from paddlers.tasks.segmenter import UNet

model = UNet(in_channels=3, num_classes=2)

   

2.3 开始训练

目前训练时的lr和opt可以通过预先设定，然后通过optimizer参数传入。设定如下：

lr_scheduler = paddle.optimizer.lr.xxxDecay(LR, xxx)
optimizer = paddle.optimizer.xxx(
    learning_rate=lr_scheduler,
    parameters=model.net.parameters()
)

model.train(
    ...
    optimizer=optimizer,
    ...
)

    In [ ]

model.train(
    num_epochs=200,
    train_dataset=train_dataset,
    train_batch_size=16,
    eval_dataset=eval_dataset,
    s*e_interval_epochs=20,
    log_interval_steps=5,
    pretrain_weights="COCO",
    s*e_dir="output",
    learning_rate=0.01,
    early_stop=True,
    use_vdl=True)

   

3. 评估

In [2]

from paddlers.tasks import load_modelimport paddlers.transforms as T

model = load_model("output/best_model")  # 加载模型及参数eval_transforms = T.Compose([
    T.Resize(target_size=512),
    T.Normalize(mean=[0.5] * 3, std=[0.5] * 3),
])

       

2025-04-07 23:04:12 [WARNING]	Including an `Arrange` object in the transformation operator list is deprecated and will not take effect.
2025-04-07 23:04:12 [INFO]	Model[UNet] loaded.

        In [ ]

model.evaluate(eval_dataset)

   

4. 预测推理

PaddleRS可以分为小图块的直接推理，以及大图滑框推理（推理结果直接保存为*.tif），并可以通过脚本转换为geojson格式。

In [11]

import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imagefrom paddlers.utils.postprocs import building_regularization, prepro_mask

%matplotlib inline

img_path = "dataset/val/images/val_2_6.tif"lab_path = "dataset/val/masks/val_2_6.tif"pred = model.predict(img_path, eval_transforms)["label_map"]
pred_reg = building_regularization(prepro_mask(pred))
plt.figure(figsize=(10, 10))
plt.subplot(221);plt.imshow(np.asarray(Image.open(img_path).convert("RGB")));plt.title("Image")
plt.subplot(222);plt.imshow(np.asarray(Image.open(lab_path).convert("L")));plt.title("Label")
plt.subplot(223);plt.imshow(pred);plt.title("Pred")
plt.subplot(224);plt.imshow(pred_reg);plt.title("Pred_Regularization")
plt.show()

       

<Figure size 1000x1000 with 4 Axes>

                In [ ]

# 大图输出model.slider_predict(
    img_file="work/test_data/val.tif",
    s*e_dir="infer",  # 保存路径
    block_size=512,  # 图像块大小
    overlap=36,  # 重叠区域大小
    transforms=[T.Normalize([0.5] * 3, [0.5] * 3)]  # 数据预处理)

    In [ ]

# 转为geojson! python PaddleRS/tools/mask2shape.py --mask_path infer/val.tif \
    --s*e_path infer/val.geojson \
    --srcimg_path work/test_data/val.tif

    In [ ]

# 查看训练效果# （请在notebook中运行查看）# （同时禁用滚动输出功能）# （右上角可切换图层显示）from pygeovis import Geovis

geovis = Geovis()
geovis.addRaster("work/test_data/val.tif")
geovis.addVector("work/test_data/val.geojson")
geovis.addVector("infer/val.geojson")
geovis.show()

   

以上就是PaddleRS：geojson-建筑提取的详细内容，更多请关注其它相关文章！

# python  # 开封优化型网站建设  # seo需要怎么做  # seo浏览器辅助插件  # 五月营销推广活动  # 淮南品牌型网站建设地址  # 深圳seo新站优化  # 营销型网站建设的要求  # 宣城全屏营销推广  # 如何推广网站痛帐云速捷fy宀  # 开源  # 命令行  # 我们可以  # 图层  # 这是  # 客户端  # 中文网  # 数据结构  # 离线  # 可以通过  # coco  # fig  # operator  # igs  # red  # ai  # git  # linux  # 酒吧营销推广方案文本 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 中国移动主导创立元宇宙产业联盟，包括科大讯飞、芒果TV等在内，共24家成员  “具身智能”引爆机器人产业，看绝影Lite3/X20四足机器人有何特别之处？  谷歌借AI打破十年排序算法封印，每天被执行数万亿次，网友却说是最不切实际的研究？  AI技术改变*，新骗局来袭，*成功率接近100%  华为将于 7 月发布面向 AI 大模型的新款存储产品  昇腾AI & 讯飞星火：深度联手，共话国产大模型“大未来”  机器人 展才能  华为云天筹AI求解器荣获世界人工智能大会最高奖  揭晓2025年玻尔兹曼奖：Hopfield网络创始人荣获奖项  无需照相馆，AI证件照生成软件即将推出  华为小艺AI助手将实现强大的大模型能力  Intel酷睿Ultra发布会官宣！迈向全新的AI时代  售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信  上海发布“元宇宙关键技术攻关行动方案”，加快 AIGC 等突破  英媒：硅谷有些人太鼓吹AI，宣扬“学习无用”  美图设计室2.0使用教程  工业机器人及非标自动化设备集成服务提供商  走进首家“元宇宙”未来工厂，卡奥斯探知工业之旅出发！  剧透！蜜小豆@2025世界人工智能大会多个亮点曝光  梦想实现！硬核科幻大片VR智能头盔即将问世  爱设计 AI 一键生成 PPT 工具上线：输入标题即可生成 PPT  借助ChatGPT快速上手ElasticSearch dsl  重磅！ 捷通华声灵云AICC荣获第二届光合组织AI解决方案大赛二等奖  国内首款大尺寸仿鸵双足机器人“大圣”亮相，穿戴红色战袍  美图开拍使用教程  陈根教授：离人形机器人时代还有10年吗？  OpenAI CEO 山姆・阿尔特曼呼吁 AI 领域中美应当合作  曝光HarmonyOS 4的重要新能力：全面升级AI大模型，小艺实现全面进化  GPT-4成功战胜AI-Guardian审核系统：谷歌研究团队的人工智能抵抗人工智能  CREATOR制造、使用工具，实现LLM「自我进化」  微软商店 AI 摘要功能开启预览，帮助用户迅速了解应用评价  阿里云连续两年进入Gartner云AI开发者“挑战者象限”  Meta Quest订阅服务每月7.99美元畅玩两款VR游戏应用  AI 作画工具 Midjourney 推出“pan”功能，可平移扩展图片外场景  全场景智能车：智能无处不在｜芯驰亮相世界人工智能大会  Meta开源文本生成音乐大模型，我们用《七里香》歌词试了下  绿联发布笑脸屏幕显示充电状态的30W/65W Q湃机器人充电器  参考封面|人工智能“淘金热”  百度创始人、董事长兼首席执行官李彦宏：AI原生应用比大模型数量更重要  如何利用AI工具写好本科论文：科技助你一臂之力  探索人工智能在居家养老方面的应用  日新月异，脑机接口技术都有哪些新应用？  微幼科技晨检机器人与人工晨检相比，有何优势  AI数字人业务频频获点赞，谦寻积极引领示范作用  田渊栋团队新研究：微调  2025VR&AR显示技术峰会视频解析： 歌尔光学展示最新一代VR/AR光学模组  对话式论文阅读工具PaperMate上线，综述细节AI告诉你  调查显示：实际上没有那么多人在用 ChatGPT  AI大模型火了！科技巨头纷纷加入，多地政策加码加速落地  复旦发布「新闻推荐生态系统模拟器」SimuLine：单机支持万名读者、千名创作者、100+轮次推荐 

 2025-07-23