发电厂遥感分割数据集稀缺遥感智慧能源（煤炭，石油，太阳能等），4400余对遥感影像（每对影像包含1m分辨率与30m分辨率），19GB数据量，分割类别按照电厂燃料类别区分，共区分为煤炭，石油，天然气等

QQ-767172261

于 2024-10-05 07:19:06 发布

阅读量866

点赞数 13

分类专栏：数据集大类文章标签：能源数据库

本文链接：https://blog.csdn.net/2401_86889530/article/details/142710509

版权

数据集大类专栏收录该内容

16 篇文章 0 订阅

订阅专栏

遥感智慧能源（煤炭，石油，太阳能等）发电厂遥感分割数据集，4400余对遥感影像（每对影像包含1m分辨率与30m分辨率），19GB数据量，分割类别按照电厂燃料类别区分，共区分为煤炭，石油，天然气，其他化石燃料，核能，水利发电，太阳能，风能，地热能，废热，生物质11种类型，并分割出具体发电厂区域。

遥感智慧能源发电厂遥感分割数据集介绍

数据集名称

遥感智慧能源发电厂遥感分割数据集 (Remote Sensing Smart Energy Power Plant Segmentation Dataset)

数据集概述

本数据集是一个专门用于训练和评估遥感图像中发电厂区域分割模型的数据集。数据集包含超过4400对高分辨率的遥感影像，每对影像包含1米分辨率和30米分辨率的图像。数据集已经按照标准比例划分为训练集、验证集和测试集，并且所有图片都已标注好，适用于训练语义分割模型。数据集涵盖了十一种不同类型的发电厂：煤炭、石油、天然气、其他化石燃料、核能、水力发电、太阳能、风能、地热能、废热和生物质。每个发电厂的具体区域已经被精确分割并标注。

数据集特点

高分辨率：数据集中的图像具有1米和30米两种分辨率，能够提供丰富的细节信息。
多类别分割：数据集涵盖了十一种常见的发电厂类型，每张图片都有详细的分割标注信息。
预处理完成：数据集已经划分好训练集、验证集和测试集，并提供了类别描述文件，可以直接用于模型训练，无需额外处理。
大容量：数据集总大小约为19GB，包含了大量高质量的遥感图像数据。
实用性强：数据集来源于实际环境，具有较高的实用性和代表性，适合应用于能源监测、环境管理等领域。

数据集结构

energy_power_plant_dataset/
├── images/                           # 图像文件
│   ├── 1m_resolution/                # 1米分辨率图像
│   │   ├── train/                    # 训练集图像
│   │   │   ├── 00001.jpg             # 示例图像
│   │   │   ├── 00002.jpg
│   │   │   └── ...
│   │   ├── val/                      # 验证集图像
│   │   │   ├── 00001.jpg
│   │   │   ├── 00002.jpg
│   │   │   └── ...
│   │   ├── test/                     # 测试集图像
│   │   │   ├── 00001.jpg
│   │   │   ├── 00002.jpg
│   │   │   └── ...
│   ├── 30m_resolution/               # 30米分辨率图像
│   │   ├── train/                    # 训练集图像
│   │   │   ├── 00001.jpg             # 示例图像
│   │   │   ├── 00002.jpg
│   │   │   └── ...
│   │   ├── val/                      # 验证集图像
│   │   │   ├── 00001.jpg
│   │   │   ├── 00002.jpg
│   │   │   └── ...
│   │   ├── test/                     # 测试集图像
│   │   │   ├── 00001.jpg
│   │   │   ├── 00002.jpg
│   │   │   └── ...
├── masks/                            # 分割掩码
│   ├── train/                        # 训练集分割掩码
│   │   ├── 00001.png                 # 示例分割掩码
│   │   ├── 00002.png
│   │   └── ...
│   ├── val/                          # 验证集分割掩码
│   │   ├── 00001.png
│   │   ├── 00002.png
│   │   └── ...
│   ├── test/                         # 测试集分割掩码
│   │   ├── 00001.png
│   │   ├── 00002.png
│   │   └── ...
├── data.yaml                         # 类别描述文件
└── README.md                         # 数据集说明

数据集内容

images/
- 功能：存放图像文件。
- 内容：
  - 1m_resolution/：1米分辨率的遥感影像。
    - train/：训练集图像。
    - val/：验证集图像。
    - test/：测试集图像。
  - 30m_resolution/：30米分辨率的遥感影像。
    - train/：训练集图像。
    - val/：验证集图像。
    - test/：测试集图像。
masks/
- 功能：存放分割掩码文件。
- 内容：
  - train/：训练集分割掩码，与训练集图像一一对应。
  - val/：验证集分割掩码，与验证集图像一一对应。
  - test/：测试集分割掩码，与测试集图像一一对应。

data.yaml

功能：定义数据集的类别和其他相关信息。

内容：

train:
  - ./images/1m_resolution/train
  - ./images/30m_resolution/train
val:
  - ./images/1m_resolution/val
  - ./images/30m_resolution/val
test:
  - ./images/1m_resolution/test
  - ./images/30m_resolution/test
nc: 11
names: ['coal', 'oil', 'natural_gas', 'other_fossil_fuel', 'nuclear', 'hydroelectric', 'solar', 'wind', 'geothermal', 'waste_heat', 'biomass']

README.md
- 功能：数据集的详细说明文档。
- 内容：
  - 数据集的来源和用途。
  - 数据集的结构和内容。
  - 如何使用数据集进行模型训练和评估。
  - 其他注意事项和建议。

使用说明

环境准备
- 安装依赖库：
```
pip install -r requirements.txt
```
- 确保安装了语义分割模型所需的库，例如torch, torchvision, albumentations等。
数据集路径设置
- 将数据集解压到项目目录下，确保路径正确。
训练模型
- 使用语义分割模型进行训练。以下是一个示例命令（假设使用PyTorch和SegNet）：
```
python train.py --data data.yaml --model segnet --epochs 100 --batch-size 8 --img-size 256
```

验证模型

使用验证集进行模型验证：

python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --batch-size 8 --img-size 256

推理模型

使用训练好的模型进行推理：

python detect.py --source test_images/ --weights runs/train/exp/weights/best.pt --img-size 256

数据增强

可以通过数据增强技术来增加数据集的多样性和鲁棒性。常用的增强方法包括旋转、翻转、缩放、亮度调整等。可以使用albumentations库来进行数据增强：

import albumentations as A
from albumentations.pytorch import ToTensorV2

transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.VerticalFlip(p=0.5),
    A.RandomRotate90(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
    A.Resize(256, 256),
    ToTensorV2(),
])