飞桨常规赛：遥感影像地块分割 - 10月第5名方案
该内容为基于PaddleSeg 2.3版本的图像分割实践流程。先解压PaddleSeg套件并改名，解压数据集；再按9:1比例分割生成训练和验证列表文件，获59986和6666样本；选用Swin Transformer模型，执行训练和预测命令，最后打包result下的伪彩色预测结果。
准备工作
安装PaddleSeg以及更新依赖
In [ ]这里使用的PaddleSeg的2.3版本
# 解压PaddleSeg套件!unzip -oq /home/aistudio/data/data114849/PaddleSeg-release-2.3.zip登录后复制In [ ]
# 为方便后期操作将文件夹改名!mv PaddleSeg-release-2.3 PaddleSeg登录后复制In [ ]
# 安装依赖，AIStudio实验环境已有相关依赖#!pip install -r PaddleSeg/requirements.txt登录后复制
解压数据集
In [2]!unzip -oq /home/aistudio/data/data77571/train_and_label.zip -d data/!unzip -oq /home/aistudio/data/data77571/img_test.zip -d data/登录后复制
生成训练列表文件
In [4]这里直接按比例分割，没有用shuffle
import osimg_train_dir = os.listdir('./data/img_train')train_val_ratio = 0.9 #划分训练集和验证集的比例train_img_num = int(len(img_train_dir)*train_val_ratio)val_img_num = len(img_train_dir) - train_img_numtrain_list_origin = img_train_dir[:train_img_num]val_list_origin = img_train_dir[train_img_num:]print(len(train_list_origin),len(val_list_origin)) #输出训练集和验证集数量#生成trainlistwith open('train_list.txt','w') as f: for i in range(len(train_list_origin)): train_img_name = 'img_train/' + train_list_origin[i] train_lab_name = 'lab_train/' + train_list_origin[i].split('.')[0] + '.webp' f.write(train_img_name + ' ' + train_lab_name + '\n')#生成vallistwith open('val_list.txt','w') as f: for i in range(len(val_list_origin)): val_img_name = 'img_train/' + val_list_origin[i] val_lab_name = 'lab_train/' + val_list_origin[i].split('.')[0] + '.webp' f.write(val_img_name + ' ' + val_lab_name + '\n')登录后复制59986 6666登录后复制
模型选择和实践
Swin Transformer简介
Swin Transformer是ViT的一大进步，建议参考李沐大神读论文的方法啃原论文
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
模型训练
In [ ]!python PaddleSeg/train.py \ --config swin.yml \ --do_eval \ --use_vdl \ --save_interval 4000 \ --save_dir output登录后复制
模型预测
In [ ]!python PaddleSeg/predict.py \ --config swin0.yml \ --model_path output/best_model/model.pdparams \ --image_path data/img_testA \ --save_dir ./result登录后复制
前往output\home\aistudio\result\pseudo_color_prediction打包预测结果
相关攻略
Trae在Python数据分析与机器学习项目中主要通过四种方式提供支持：利用Auto模式自动生成并执行端到端分析脚本；通过AgentCLI命令行自动化机器学习建模流程；对现有代码进行智能调试与优化；借助语音交互快速构建数据处理函数。这些功能覆盖了从需求描述到代码生成、模型构建及代码优化的全流程。
在Python编程中，你是否也曾编写过类似的统计代码？ 统计词频 count = {} for word in words: if word in count: count[word] += 1 else: count[word] = 1 实际上，这种高频的计数需求，完全可以通过Python内置
Trae稳定支持Python3 10至3 13版本，3 9及以下版本无法运行。Python3 14处于实验性支持阶段，核心功能可能受限。当存在多个3 10以上版本时，Trae优先选择虚拟环境中的解释器，其次为最高系统版本。此外，Trae仅兼容64位Python解释器，不支持32位架构。
在企业级数据采集与自动化运维实践中，IT团队普遍面临一个核心挑战：Python爬虫为何频繁报错，修补维护何时才能终结？随着前端技术演进与动态反爬机制的日益复杂，依赖DOM解析的传统爬虫脚本往往陷入“部署即过时，运行即异常”的困境。本文将深入解析传统爬虫代码脆弱性的根本原因，并系统介绍一种能够重塑数据
很多刚接触Docker的开发者常有一个误解：制作镜像不就是把源代码打包进去就行了吗？实际上，在企业级的标准化开发流程中，直接将源码打包进Docker镜像是非常不专业的做法。这会导致镜像体积臃肿、引入潜在安全风险，并且模糊了“构建环境”与“运行环境”的边界。本文将深入解析Java、Vue、Go、Pyt
热门专题
热门推荐
以太坊基金会成立隐私研究集群，旨在推动私密支付与匿名投票等关键隐私技术的发展。该集群将整合研究资源，探索相关技术的最新趋势与潜在应用，为构建更安全、保护用户数据的去中心化生态系统提供支持。
MetaMask宣布将推出永续合约交易功能，允许用户进行双向开仓交易，覆盖多种加密资产。该功能伴随高波动性与爆仓风险，需谨慎操作。平台计划于十月底启动奖励计划，以吸引用户参与。投资者可通过主流交易平台注册并利用APP查看交易数据，同时需注重仓位管理、止盈止损及资金安全。
Meme币“币安汽车”市值近期大幅上涨，其背后与币圈知名人物贾跃亭的操盘策略密切相关。该现象揭示了当前加密货币市场中Meme币作为一种投机资产的波动性与关注度，反映了市场对特定人物影响力的高度敏感。
访问欧易官网需核对域名，防范钓鱼风险。建议通过官方渠道下载最新版APP。注册后需完成实名认证并绑定安全设备以提升安全。首次购币可通过C2C交易区进行，平台提供担保。此外，平台还提供合约交易、理财及行情分析等功能。新手应从官方渠道入手，逐步完成安全设置与交易。
币安交易所提供官网及移动应用两种访问方式，用户可通过官方渠道下载应用并完成注册，以使用其交易服务。平台支持多种数字资产交易，操作便捷，适合不同需求的投资者。