企业官网建设流程全解析

做水体类型识别这个方向断断续续有小半年了，这阶段完整跑通了一套基于RetinaNet的湖泊、河流、海洋遥感图像检测流程。以前一说“识别水体”，很多人下意识会以为是图像分割，把水像油漆一样涂出来；但实际需求往往不是这样——我需要知道哪个位置有一片湖、哪一段是河、海岸线推进到了哪里，这本质上就是目标检测：既要判断类别，也要输出位置框。这篇记录围绕RetinaNet展开，重点放在模型训练和推理工程上，把数据准备、锚框调整、踩坑排查、patch拼接这类实操环节摊开讲清楚，适合正在做遥感目标检测、或者准备用单阶段检测器处理地理空间影像的开发者参考。

1. 为什么水体检测要单开一个模型：任务本质与RetinaNet的选择逻辑

1.1 从“分类”到“定位”：识别的输出不是打标签

最开始我接到这个需求时，团队里有人提议直接用分类网络做“这块是水体/不是水体”，但稍微推敲就会发现不对：分类网络回答的是“有没有”，回答不了“在哪里”。业务上真正关心的往往是具体位置，比如某座水库今年枯水期的水域范围、某条河流改道后在影像上往哪个方向偏移、某片滩涂的高潮线与低潮线差了多少像素。要回答这些，必须把“位置”作为模型的直接输出，所以才选了目标检测路线。

这里要强调一个容易被忽略的点：水体检测和常规目标检测的“定位”语义不完全一样。检测车辆，框住车身边缘就行；检测水体，用户最后要的是水陆边界。但RetinaNet这类检测器输出的是水平包围框，框住一个不规则湖泊时天然会带进陆地，所以模型学到的其实是“框住水体的主要范围”，而不是“精确分割水体”。理解这一点很重要，它决定了你怎么设计标签、怎么评估结果，也决定了后续要不要再挂一个分割头做边缘细化。

1.2 大面积水体与稀疏目标的失衡：Focal Loss的用武之地

遥感影像里有个很极端的样本特点：背景占比极高。一张包含河流的影像，可能水只占几个百分点，其余全是陆地、植被、建筑、云。普通单阶段检测器在训练时会密集生成成千上万个候选位置，绝大部分是易分类的负样本，它们产生的梯度会淹没真正有用的正样本。

RetinaNet的Focal Loss就是专门解决这个问题的。它给每个样本的损失乘上一个调制因子，简单样本的梯度贡献被压下去，困难样本和正样本的权重自然凸现出来。公式不复杂：

Focal Loss = -α * (1 - p_t)^γ * log(p_t)

γ通常取2，α按类别比例加权。当模型已经很有把握预测某个候选框是背景时，(1 - p_t)趋近于0，损失被压得很小；当模型拿不准时，这个样本的损失反而被保留。实验下来，比直接用标准交叉熵稳定很多，尤其在海洋这类“一眼望去全是大片水”的场景里，不会出现模型学到“看到蓝绿色就输出一个巨大包围框”的偷懒行为。

1.3 对比Faster R-CNN与YOLO：单阶段家族里的折中

选RetinaNet之前，我把几个常见检测器都过了一遍，做了个简单对比：

水体目标有两个特点：一是尺度跨度极大，一个水库和一段小溪在1024像素的patch里面积能差两个数量级；二是河流这种目标经常是长条形，长宽比能到1:8甚至更夸张。RetinaNet自带FPN特征金字塔，从P3到P7每层负责不同尺度的目标，天然适配这个跨度。相比之下，当时试过YOLO的anchor-free版本，对小河流的召回并不理想，后来还是回到RetinaNet做锚框定制。

2. 数据质量决定上限：遥感水体样本的切块、标注与增强

2.1 切块规则：重叠滑窗与分辨率取舍

遥感影像跟自然图像最大的不同是尺寸。一张原始影像动辄上万乘上万像素，不可能整图直接进模型。我的做法是切成patch训练，常见的方案是512或1024见方，我最终选了1024×1024。为什么不是512？因为水体目标往往很大，一个湖泊在512的patch里可能已经占据了整个画面，模型学不到“水体有边界”这个信息，反而容易把整块都判定成正样本；1024能让湖泊边缘、岸线、周围地物同时出现在上下文里。

切块要注意重叠。我设置相邻patch之间重叠128像素，这样做主要是为了推理时避免目标被切断在patch边缘，模型对切断的目标特别容易漏检。训练阶段可以不用重叠，随机采样即可，但推理阶段必须重叠滑窗，这个后面再展开。

还有一个很容易踩的细节：切块前要做一次影像的辐射质量检查。如果原始影像里有坏线、全零像素或者云遮挡区域，这些patch直接扔给模型训练，会让损失曲线出现莫名其妙的跳变。我习惯先做一遍异常像素统计，把有效像元覆盖率低于99%的patch直接过滤掉。

2.2 湖泊、河流、海洋三类的标注尺度差异

标注是这次项目里最耗时的环节。三类水体看着都是“水”，标注策略差别很大：

湖泊和水库相对规整，可以整体画一个框。但遇到形状极不规则的细长水库，我建议拆成2到3段分别标注，而不是硬套一个大框。因为水平框越大，框内非水体像素比例越高，模型学到的边界回归信号就越混乱，它会不知道到底该贴合哪条边。

河流是最大的坑。一条完整的河可能跨越几个patch甚至几十个patch，但RetinaNet预测的是局部目标，不可能也没必要把整条河框住。我的做法是把河流按直线段拆开，每段单独一个框，框的长度控制在目标区域主方向长度的1/2到1/3，宽度尽量贴合河道宽度。拆完以后你会发现明显好训很多，模型只需要学会“这里有一段水面”。

海洋和前面两类完全不同。海域往往是整张patch的背景级目标，直接画一个覆盖全图的框没有意义。我采用的方法是沿着海岸线向内缩几个像素画一个大范围框，只框真正的海面，不包含滩涂和陆地。注意避开近岸白色泡沫带，那片区域光谱特征和陆地的浅色地物很像，标进去等于主动给模型添乱。

2.3 针对水体特征的增强：哪些能用，哪些最好别碰

数据增强我试过一整套，最后保留下来的只有少数几种。对遥感影像来说，旋转90度、180度、270度是完全合理的，因为卫星拍摄没有固定的“上下方向”；水平翻转和垂直翻转也都能用。这些几何增强对水体的形态学特征没有破坏，还能有效扩充细长河流的样本方向分布。

颜色增强要极其克制。尤其是随机色相扰动，默认参数经常把水体从蓝色偏移成绿色甚至紫色，这在自然图像里问题不大，但在遥感里会严重破坏水体的物理特征。水体在可见光和近红外波段的反射特性是识别它的重要依据，你把颜色搅乱了，模型等于在降低噪声下学习一个不存在的分布。我最后把hue增强直接关掉，亮度对比度也只做很小的幅度调整。

另外建议对含河流的patch做上采样。河流样本数量天然少，如果按普通自然图像的经验做随机采样，训练集里河流patch占比可能只有百分之几，模型对这类目标的拟合会非常差。我会统计每个patch的类别占比，对含河流标注的patch提高采样权重，实测能把河流类别的AP拉高6到8个百分点。

2.4 按空间与时相划分数据集，防止验证指标虚高

数据集划分看着是小问题，但在遥感场景里特别容易出错。如果随机划分patch，同一片区域的相邻patch会被同时分到训练集和验证集，它们之间高度相似，验证指标会虚高得离谱，模型真正遇到新区域时表现会大打折扣。

正确的做法是按地理位置划分：先把整个研究区网格化，确保同一网格内的所有patch要么全进训练集，要么全进验证集，不允许跨集合。更进一步，我建议按影像时相划分。比如同一个地方有春季和秋季两期影像，让训练集和验证集各占一个时相，这样评估的是模型对水位变化、光照条件、植被状态变化的泛化能力，而不是对同一时相下相似像素的记忆能力。

3. 训练RetinaNet的实测配置：锚框、损失与调参记录

3.1 锚框面积与长宽比：为了细长河流做的调整

RetinaNet默认的锚框设计对遥感水体并不友好。它预设的面积尺度和长宽比主要为通用目标设计，包含大量正方形和接近正方形的框，但河流这种长条形目标在默认锚框下匹配到的正样本非常少。我的做法是直接改锚框配置。

由于是1024输入，FPN最高层P7的感受野已经覆盖很大范围。针对湖泊，我把锚框面积整体乘了一个1.5的系数，让更大的目标能匹配到更高层的特征；针对河流，长宽比从默认的{1:2, 1:1, 2:1}扩到{1:3, 1:5, 3:1, 5:1}，并且额外加了一组细长比例。这里务必要做实验对比，不要想当然。我第一版把长宽比拉得过猛，结果小湖泊被错误匹配成河流，AP反而掉了。后来锚框分布跟训练集标注的真实长宽比分布对齐之后，模型表现才稳定下来。

3.2 损失函数与优化器设置

RetinaNet的损失分两部分：分类用Focal Loss，回归用Smooth L1。训练时我采用SGD而不是Adam，动量设为0.9，初始学习率0.005，使用余弦退火调度，前500步做了warmup。batch size只开到2，因为1024×1024输入在单卡上显存压力不小。

α参数我设成0.25，γ设成2，这是单阶段检测器里被验证过很多次的组合。但你不需要盲从，如果你的数据里河流目标特别稀少，可以适当把正样本对应的α调高，比如让Focal Loss里α_t在正样本上取0.4左右，让模型对稀缺类别的误判付出更高代价。我试过一次把α调到0.5，湖泊和海洋的AP几乎不变，河流AP微涨，但背景误报开始增多，最后还是回到了0.25。

需要注意的是，遥感影像和自然图像的分布差异很大，如果用了在通用目标检测数据集上预训练的权重，不要冻结骨干网络。很多人习惯只训练检测头，但在遥感场景里，底层卷积对光谱纹理的响应模式和自然图像完全不同，冻结骨干会让模型永远无法适应遥感影像的分布。我全程保持骨干可训练，只降低骨干部分的学习率倍数，比如设为整体学习率的0.1倍，既能稳住预训练特征，又能逐步做领域迁移。

3.3 训练日志里那些值得警惕的曲线

前几个epoch里，分类损失会快速下降，这是模型在学会“拒绝大部分背景”的阶段。等分类损失降到一定程度，回归损失开始主导训练，这是正常的。但我遇到过一次诡异的情况：前10个epoch损失下降很顺畅，到了第12个epoch，回归损失突然小幅回升。排查了半天，最后发现是余弦退火的学习率在这个位置衰减得太快，模型进入了某种局部震荡。把初始学习率从0.01降回0.005之后，曲线重新变得平滑。

还有一个经验：每一轮epoch结束，不要只看总损失，要看类别的分布。有些框架只打印整体mAP，这个指标在类别不均衡时很容易骗人。我在训练脚本里加了一个按类别分别统计AP的逻辑，发现湖泊和海洋的AP已经到0.85以上时，河流AP可能还不到0.4。如果不分拆打印，你可能完全察觉不到模型实际上只学会了“找大片水体”。

4. 训练阶段高频踩坑的完整排查链路

4.1 损失突变成NaN：先查数据，再查学习率

这是每个训练检测模型的人都躲不过的坑。第一次碰见时我很自然地调低学习率，重新训练，结果还是NaN。后来我养成了一个固定的排查顺序，推荐你也按这个来：

第一步查数据。打印所有参与训练的patch和标注框，看有没有全零像素、是否存在面积为0的边界框、坐标是否超出patch范围。水体标注尤其容易出这种问题，因为河流拆段标注时，操作人员可能会拖出一个坐标重叠的退化框。

第二步查损失组成。单独输出分类损失和回归损失，看NaN是从哪一项开始的。如果回归损失先炸，大概率是标注框出了问题；如果分类损失先炸，再考虑学习率。

第三步查正样本匹配。RetinaNet依赖IoU分配正负样本，锚框和标注框如果尺度严重不匹配，部分层可能完全没有正样本，梯度异常也会导致训练崩溃。

最后才考虑学习率和优化器。我在项目里只遇到一次真正由学习率引起的NaN，其余全是数据问题。

4.2 山体阴影被当成湖泊：换通道组合是最快解法

这个坑一度让我怀疑RetinaNet对水体的区分能力。某块区域的山体阴影在真彩色影像里看起来就是一片深色调，和湖泊的光谱特征在RGB空间里极其接近，模型怎么调参都会把阴影误判成水。

后来分析发现，问题出在输入通道。真彩色RGB只用了可见光波段，而水体在近红外波段的吸收特性非常明显，山体阴影在近红外却不会表现出这种吸收。解决方法是把输入通道从RGB换成近红外、红、绿三个波段的组合，模型立刻就能区分阴影和水体，误报率几乎降了一个数量级。

如果你用的是多光谱数据，强烈建议给RetinaNet输入做一次波段选择实验。不要迷信“模型能从RGB里自己学出来”，遥感物理特征在输入阶段直接给到模型，比让网络自己硬拟合要高效得多。

4.3 河流被切成虚线：正样本数量决定的漏检

模型对河流的预测经常呈现断断续续的“虚线”状态，一段河流中间漏一截，或者只检出不连续的几小段。这是长条形目标最常见的失败模式。

根因有两个。第一，锚框长宽比不够时，河流段落在某些角度下匹配不到足够的正样本；第二，河流在1024×1024的patch里如果太细，只有不到几十个像素宽，对应到FPN高层特征图时可能已经退化到几个像素点，特征表达几乎消失。

我的解法是组合拳：调整长宽比、提高输入分辨率到1280、增加河流patch上采样权重、把非常细的河流段标注拆成更短的框以便匹配。这四件事同时做之后，河流的连续性肉眼可见地变好。

5. 从单张patch走向整片区域：推理、后处理与提速

5.1 patch结果拼回大图的去重策略

训练是patch级的，推理也要回到patch级，但最终用户需要的是整片区域的完整结果。我的流程是先按1024×1024加128像素重叠滑窗推理，再把所有detection映射回原图坐标。

这里最关键的逻辑是重叠区域的去重。同一个湖泊在两个相邻patch的重叠区域内可能被预测两次，直接合并会导致输出框有大量重复。我采用的方法是先按置信度阈值（0.3到0.35）过滤低质量框，然后做跨patch的NMS。但NMS的IoU阈值不能设太高，设成0.5比较合适，太低了会合并两条被预测框覆盖的相邻河道。

还有一个细节容易被忽略：patch边缘的预测框质量普遍比中央差。因为边缘处目标可能被截断，模型的上下文不完整。我在推理脚本里加了一个惩罚策略，对靠近patch边缘的预测框按距离降低置信度，效果比单纯加NMS更明显。

5.2 多时相投票：把误报再降一截

如果你手里有同一区域多期影像，强烈建议做时相维度的后处理。单期影像里的云遮挡、云阴影、季节性浅滩都会造成误报，但真实水体的位置在多期影像里应当是稳定出现的。

我的做法是：把同一地理区域的多期影像分别推理，然后将预测框投影到同一地理坐标下，统计每个位置的确定性。简单来说就是投票表决，只有超过半数期次都检出的目标才保留，只有一两期出现的目标直接丢弃。这个操作看起来有点暴力，但实测能把云阴影导致的误报率降低四成左右，代价仅仅是推理时间增加。如果你的算力允许，这是性价比非常高的后处理手段。

5.3 半精度与批处理加速

推理阶段我全程用半精度浮点。水体检测的输入是遥感影像，噪声本身就不小，半精度降低的那一点数值精度完全不影响输出框质量，却能把单卡推理速度提升近一倍。显存允许的情况下尽量开批推理，多个patch同时进网络，比单张循环快得多。

如果还需要进一步提速，可以试试把输入分辨率从1024降到768甚至512。水体目标普遍偏大，降分辨率对湖泊和海洋的影响很小，但细河流会开始漏检，所以要按场景权衡。我最终的方案是：大范围初筛用512分辨率，找到可疑水体区域后再用1024分辨率精检测，兼顾速度与召回。

6. 评估水体检测模型：只看mAP容易迷惑

6.1 分面积AP：湖泊和河流的指标要分开看

通用目标检测用mAP一个数概括所有情况，但水体检测里一个mAP会掩盖太多问题。湖泊是大目标，河流是细长目标，海洋则是超大区域目标，三者本来就该用不同的尺度标准来评价。

我建议至少按目标面积分三组统计AP：小型目标（比如面积小于32×32像素的河段）、中型目标（湖泊、较宽的河段）、大型目标（大湖、近海区域）。只看总体AP，大型湖泊的表现会把河流的缺陷完全掩盖。我第一版模型总体AP到了0.82，看着已经不错了，但分面积一看，小型目标AP只有0.3，这才发现河流漏检问题远比想象中严重。

6.2 沿边界的误差：用边缘距离补充IoU

目标检测的标准评估指标是IoU，但水体检测用户关心的往往是边界误差——模型画的框离真实水陆边界差多少像素。尤其是海岸带和湖岸线场景，10个像素的偏移可能对应实际地面数十米的距离。

我的做法是额外计算一个边界距离指标：取标注框边界和预测框边界，计算两者之间的平均距离。这个指标不用复杂工具，找几个验证patch手工对比即可。如果IoU很高但边界距离也很大，说明模型框的方向和位置虽然大致正确，但存在系统性偏移，通常在标注阶段就埋下了隐患，比如河流框拆段时习惯性偏向上游一侧。

6.3 错误类型归因：一次复盘实例

最后建议每次迭代都保留一组错误检出的截图，按错误类型归类。我整理过一张表，记录了同一模型的主要错误类型和占比：

做这个归因表看起来费时间，但它比看十遍mAP曲线更有用。每次迭代都从表里占比最高的错误类型入手，你会发现模型能力提升的路径特别清晰。比如有一次我把阴影误报降到接近零之后，表里占比最大的就变成了海洋外扩，于是接下来几天专门优化近岸标注和边界回归，一版一版往下走。

如果你也在做类似的水体检测项目，建议从第一版评估表开始保留原始错误截图，每次跑完新模型回头翻一翻，这比单看指标变化更能发现模型到底在什么地方变强了。我自己就是靠这套“类型归因”的方法，把河流AP从0.31一路抬到了0.68，中间没有换过模型结构，全是数据和后处理层面一点一点抠出来的。