数据类型
| 来源 | Avala 数据类型 | 典型标注 |
|---|---|---|
| 卫星影像 | 图像 | 多边形、分割蒙版、分类 |
| 航空摄影 | 图像 | 边界框、多边形 |
| 无人机影像 | 图像、视频 | 边界框、多边形、分割 |
| 正射影像 | 图像 | 分割蒙版、分类 |
| 时间序列合成 | 图像 | 分类、变化检测标注 |
常见任务
土地利用分类
将卫星和航空影像分割为土地覆盖类别:城市、森林、水域、农田、荒地、湿地和其他地形类型。使用分割工具进行全图像像素级分类,或使用多边形标注进行区域级标注。建筑物轮廓提取
为测绘、城市规划和变化检测追踪建筑物的多边形边界。多边形工具支持:- 精确屋顶边界的顶点级编辑
- 直角建筑的边缘吸附
- 重复结构的复制和调整(例如排屋)
车辆和物体计数
使用边界框标注检测和计数俯视影像中的车辆、船舶、飞机和其他物体。对于密集场景(停车场、港口、机场),边界框提供快速标注且精度足够用于计数和检测模型。基础设施监控
标注基础设施元素——道路、桥梁、电力线、太阳能板、管道——用于状况评估和变化检测。| 基础设施 | 标注类型 | 属性 |
|---|---|---|
| 道路 | 折线 | 路面类型、状况、宽度 |
| 建筑 | 多边形 | 屋顶类型、损坏程度、施工状态 |
| 电力线 | 折线 | 跨度类型、塔架存在 |
| 太阳能板 | 多边形 | 面板数量、方向 |
| 水体 | 多边形 | 类型(河流、湖泊、水库)、边界 |
变化检测
比较不同日期的影像以识别变化:新建筑、森林砍伐、洪水范围、作物生长。在同一数据集中组织时间影像对,并使用分类标签和多边形边界标注变化。数据集组织
卫星和航空影像数据集往往很大——跨地理区域和时间段的数千到数百万张图像。有效的组织至关重要。使用切片
切片创建虚拟子集而不复制图像:- 创建包含 80% 图像的
training切片和 20% 的validation切片 - 按地理区域创建切片用于区域特定模型评估
- 创建
difficult-cases切片用于标注员经常出错的图像
云存储集成
对于大型卫星影像集合,使用云存储集成直接连接您的 S3 或 GCS 存储桶。Avala 从您的存储桶读取图像而无需单独的上传步骤。对于超过 10,000 张图像的卫星影像数据集,建议使用云存储。它避免了上传瓶颈,并让您的数据保留在您自己的存储中,使用您的加密和保留策略。
示例管道
开始使用
下一步
多边形工具
建筑物轮廓和基础设施的精确边界追踪。
分割工具
土地覆盖和地形测绘的像素级分类。
云存储
连接您的 S3 或 GCS 存储桶用于大型影像集合。
最佳实践
数据集组织、API 使用和标注工作流优化技巧。