本文为PaddleRS实现变化检测提供保姆级教程，涵盖数据组织、模型训练到推理应用全流程。其贡献包括独家的变化检测数据集切片代码、数据列表生成、推理示例，还详解配置文件参数。介绍了PaddleRS及变化检测任务特殊性，浅析相关网络架构与训练文件，补全套件功能，最后展示结果，助力新手掌握全流程。

PaddleRS 手把手教你PaddleRS实现变化检测

在官方详细教程发布前，可参考本保姆级教程，从数据组织、模型训练到推理应用，让你一键跑通，纵享丝滑

本项目主要贡献：

1. 提供了变化检测数据集的切片代码，对文件夹下所有数据切片，并且克隆文件夹结构，训练集、验证集、测试集一键搞定，目前全网独家
2. 组织PaddleRS变化检测所需要的数据列表，生成train.txt等，目前全网独家
3. 训练好之后的推理示例，实例化网络，加载权重，使用paddlers.transofrms，处理图像，推理得到结果的例子，目前全网独家
4. 详细介绍配置文件参数的意义，让新手不再迷茫
5. 真正的保姆级全流程教程，不忽略一丝细节

PaddleRS简介

PaddleRS是基于飞桨开发的遥感处理平台，支持遥感图像分类，目标检测，图像分割，以及变化检测等常用遥感任务，帮助开发者更便捷地完成从训练到部署全流程遥感深度学习应用。

项目意义

变化检测任务较为特殊，需要给网络提供前后两个时相的遥感影像与对应label，无基础的用户可能应用困难。

图像分类、目标检测、语义分割三大任务可参考对应的套件，但变化检测没得参考。

本项目应运而生，为国产开源贡献绵薄之力。

网络架构浅析

以cdnet为例，路径：PaddleRS/ paddlers / custom_models / cd / models / cdnet.py

非常简单的三部分：

1. 最基础结构是77的卷积层组合：补边，77卷积层，BN层，激活层

2. 网络整体结构：9个conv7*7组合，四个下采样，四个上采样，很简单

3. 传播过程：四次卷积组合+下采样，经过conv5，然后四次上采样，经过conv_out输出，是最基础的FCN结构。唯一需要注意的是第一行，t1与t2进行了cat叠加，拼接成了6通道，之后和普通的3通道输入语义分割网络没有任何区别

训练文件浅析

以cdnet为例，路径：tutorials/train/change_detection/cdnet_build.py

1. 模型实例化：

model = pdrs.tasks.CDNet(num_classes=num_classes, in_channels=6)，其中num_classes是读取的label.txt的行数。由num_classes = len(train_dataset.labels)获取。登录后复制

大部分情况下，变化检测是二分类任务，所以label.txt随便写两行即可，例如：

0

1

2. 数据transform，这块没啥好说的，数据读取后，resize到统一尺寸，然后增强，归一化，与其他套件没区别

train_transforms = T.Compose([ T.Resize(target_size=512), T.RandomHorizontalFlip(), T.Normalize( mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),])登录后复制

3. 定义dataset，这个是本文重点，难点问题都出现在这

train_dataset = pdrs.datasets.CDDataset( data_dir='E:/dataFiles/github/PaddleRS/tutorials/train/change_detection/DataSet', file_list='tutorials/train/change_detection/DataSet/train.txt', label_list='tutorials/train/change_detection/DataSet/labels.txt', transforms=train_transforms, num_workers=0, shuffle=True)登录后复制

• data_dir代表的是存放数据的文件夹，根目录，与file_list和label_list存储位置无关
• train.txt（val.txt）文件中，每一行保存了前时刻影像t1，后时刻影像t2，变化标签lab三个关键内容，分隔符是空格
• 要保证os.path.join(data_dir,t1),os.path.join(data_dir,t2),os.path.join(data_dir,lab)能读取到文件，否则出错
• 如果label是0,255的格式，一定要设置binarize_labels为True（原实例文件中没有），否则报错：ValueError: label should not out of bound, but gotTensor(shape=[1], dtype=int64, place=CUDAPlace(0), stop_gradient=True,
• train.txt还有一种组织形式，前时刻影像t1，后时刻影像t2，变化标签lab，前时刻建筑物标签lab1，后时刻建筑物标签lab2，这种情况下模型不仅做孪生网络，还做语义分割，但是个人不建议用，请相信我的专业=。=

4. 开始训练，没啥好说的，一看就明白

model.train( num_epochs=1, train_dataset=train_dataset, train_batch_size=4, eval_dataset=eval_dataset, learning_rate=0.01, pretrain_weights=None, save_dir='output/cdnet')登录后复制

套件功能补全

1. 变化检测数据集切片，spliter-cd.py

保留原数据集结构，work/train，val，text三个文件夹下所有图片一键切片，克隆原数据集目录结构，方便快捷

• split_data_cd(args.image_folder, args.block_size, args.save_folder)是主函数
• args.image_folder数据集根目录，要包含train、val等子文件夹
• args.block_size是切片后的大小
• args.save_folder是切片后存储的文件夹

2. 生成文件列表，work/create_list.py

• create_list(args.image_folder, args.A,args.B,args.label, args.save_txt)是主函数
• args.image_folder是根目录
• args.A,args.B,args.label是根目录下T1影像,T2影像,变化label存储的文件夹
• args.save_txt是生成列表的存储路径

3. 补全预测代码，work/cdnet_predict.py

• args.weight 训练好的权重
• args.A,args.B,是T1影像路径,T2影像路径
• args.pre 预测图片存储的位置

顺便说个bug !python PaddleRS/setup.py install 会报错 FileNotFoundError: [Errno 2] No such file or directory: 'README.md'

# 准备数据!unzip -oq data/data136610/LEVIR-CD.zip -d data/# 切片!python work/spliter-cd.py --image_folder data/LEVIR-CD --block_size 256 --save_folder dataset# 创建列表!python work/create_list.py --image_folder ./dataset/train --A A --B B --label label --save_txt train.txt!python work/create_list.py --image_folder ./dataset/val --A A --B B --label label --save_txt val.txt!python work/create_list.py --image_folder ./dataset/test --A A --B B --label label --save_txt test.txt登录后复制In [?]

# 准备环境!git clone https://gitee.com/cloudzhangyi/PaddleRS.git!pip install -r PaddleRS/requirements.txt登录后复制In [?]

# 开始训练!cp ./work/cdnet_build_and_train.py PaddleRS/tutorials/train/change_detection!python PaddleRS/tutorials/train/change_detection/cdnet_build_and_train.py登录后复制

训练曲线可视化

运行上面代码，会产生output/cdnet/vdl_log文件夹，此文件内文件是VisualDL可读取的训练信息

按照上图步骤，启动可视化，查看训练曲线

# 这是你训练的权重，如果你训练充分的话用这个# !python work/cdnet_predict.py --weight output/cdnet/best_model/model.pdparams --A dataset/test/A/test_2_0_0.png --B dataset/test/B/test_2_0_0.png --pre ./work/pre.png# 这是我训练的权重，直接看的话用这个，100个epoch!python work/cdnet_predict.py --weight work/model.pdparams --A dataset/test/A/test_2_0_0.png --B dataset/test/B/test_2_0_0.png --pre ./work/pre.png登录后复制

结果展示

test数据集中结果展示,从左到右分别是T1,T2,label,prediction,分析图

分析图中：

蓝色：True Positive （真正, TP）被模型预测为正的正样本

绿色：False Positive （假正, FP）被模型预测为正的负样本

红色：False Negative（假负 , FN）被模型预测为负的正样本

毕竟用的最简单的网络，效果并不是很好，训练100个rpoch，验证集最佳F1值在0.85左右

本项目至此结束，希望PaddleRS越做越好。