大家读完觉得有帮助记得关注和点赞摘要 — 卫星目标检测面临小目标和宽幅场景的挑战在标准方形输入缩放下会丢失细节。我们引入了SkySeaLand一个包含1,307张高分辨率卫星图像和19,101个经过验证的边界框的公共数据集涵盖陆地和海上场景中的飞机、船、汽车和舰船四类目标。提供原生COCO和YOLO格式标注。该数据集以大尺寸源图像和宽场景几何为主84.5%的图像最长边超过3,836像素73.1%的图像宽高比接近3:1。我们使用通用划分和COCO评估指标评估了来自YOLO、RT-DETR、DETR和Faster R-CNN家族的十二种检测器。经测试的YOLO和RT-DETR变体取得了84.4–88.2的mAP50在所报告的特定模型训练配方下更大的参数量并未带来一致的精度提升。我们还报告了SkyDet一个参数量为1.22M的无锚框基线在4.90 MB的存储占用下获得60.5 mAP50和24.32 mAP50-95在Tesla T4上延迟为13.74 ms72.8 FPS。SkySeaLand为混合陆地-海上交通检测提供了一个紧凑的基准而SkyDet则建立了一个有据可查的低占用参考而非声称达到最先进的精度。关键词 — 航空影像基准数据集轻量级检测目标检测遥感卫星影像。I. 引言卫星图像中的目标检测支持交通分析、港口活动评估、机场监视和海上搜索[1]。该问题与自然图像检测有几个不同之处。感兴趣的目标仅占据场景的一小部分通常低于32×32像素[2]。场景以高分辨率获取且通常为宽幅格式沿跑道、海岸线和航道分布而非地面摄影中常见的近似方形画面[3]。因此用于卫星的检测器必须同时处理大尺度变化和非标准图像几何。公共基准推动了该领域的进展。DOTA [3]、DIOR [4]、NWPU VHR-10 [5]和xView [6]为航空检测建立了评估协议最初在MS COCO [2]上开发的检测器家族如Faster R-CNN [7]、YOLO系列[8]–[11]和DETR风格变换器[12][13]已被适配用于这些基准。但存在两个实际空白。现有的航空基准很少在同一个标签空间中结合陆地和海上交通类别同时发布COCO和YOLO两种标注格式。此外低于2M参数的模型在航空检测器对比表中很少出现导致一个有用的低占用参考点未被表征。本文填补了这两个空白。我们引入了SkySeaLand一个经过整理的包含1,307张卫星图像和19,101个验证边界框的数据集涵盖四个类别飞机、船、汽车和舰船。图像涵盖多个地理区域的机场、高速公路、港口、游艇码头和沿海地区标注以COCO和YOLO两种格式发布。源图像以大尺寸为主84.5%的最长边超过3,836像素且多为宽幅73.1%宽高比接近3:1凸显了方形输入缩放带来的信息损失。我们对跨越四个架构家族的十二种检测器进行了基准测试并报告了SkyDet一个参数量为1.22M、检查点大小为4.90 MB的无锚框检测器作为一个明确的低占用参考。本文贡献如下SkySeaLand一个公开的卫星目标检测数据集Kaggle和Mendeley Data涵盖陆地和海上场景中的四个交通类别提供双格式标注和文档化的几何特征。一个包含十二种检测器的实用基准涵盖YOLOv10/v11/v12/v26、RT-DETR、DETR和Faster R-CNN并提供精度、参数量、检查点大小和硬件实测延迟。一个有据可查的低占用基线SkyDet基于MobileNetV3-Small骨干网络[14]、64通道特征金字塔[15]和无锚框检测头。它在mAP50上保留了YOLOv11m的69%但参数量仅为后者的6%在Tesla T4上每张图像运行时间为13.74 ms。II. 相关工作航空和卫星检测数据集。 DOTA [3]包含2,806张大型图像和超过188k个实例涵盖15个类别v2.0为18个。DIOR [4]提供23,463张图像固定分辨率为800×800覆盖20个类别。NWPU VHR-10 [5]是一个较早的10类基准包含800张图像。RSOD [16]在976张图像中覆盖四个类别。xView [6]从WorldView-3影像中扩展到60类、超过一百万个实例而VisDrone [17]针对无人机高度场景包含密集的小目标。AI-TOD [18]专注于微小目标平均目标尺寸为12.8像素。表I明确区分了范围。几个更广泛的基准包含陆地和海上交通类别但仅作为异构本体中的子集。SkySeaLand将其完整的四类标签空间专用于该混合交通场景发布即用的COCO和YOLO标注并保留主要为宽幅、未平铺的源图像。在1,307张图像的规模上它是一个紧凑的补充基准而非替代更大语料库。数据集图像数类别数框类型范围 / 陆海交通原生标签格式DOTA v1.02,80615OBB通用 / 子集DOTA TXTDIOR23,46320HBB通用 / 子集VOC XMLNWPU VHR-1080010HBB通用 / 子集TXTRSOD9764HBB四类 / 无VOC XMLxView1,12960HBB广泛 / 子集GeoJSONSkySeaLand1,3074HBB交通 / 专用COCOYOLO表I. 航空目标检测数据集的背景比较。陆海交通覆盖“子集”指在更广泛本体中的相关类别格式指原始发布格式。目标检测器。 Faster R-CNN [7]引入了学习型区域提议特征金字塔网络[15]建立了多尺度特征融合。单阶段检测器以牺牲提议为代价换取速度始于YOLO [8]和SSD [19]RetinaNet [20]引入了焦点损失以解决前景-背景不平衡问题FCOS [21]去除了锚框。最近的实时系列包括YOLOv10 [22]、YOLOv11 [9]、YOLOv12 [10]和YOLO26 [11]。变换器检测器始于DETR [12]Deformable DETR [23]改善了收敛性RT-DETR [13]将端到端变换器检测带入实时领域。轻量级检测。 MobileNetV2 [24]和MobileNetV3 [14]使用倒置残差块和深度可分离卷积来减少计算量而EfficientDet [25]同时缩放骨干、颈部和头部。基于切片的推理如SAHI [26]可以通过多次前向传递恢复高分辨率输入上的小目标精度但代价是计算量增加。SkyDet则探讨了另一个端点一个1.22M参数、小于5 MB的基线用于混合陆地和海上检测。III. SKYSEALAND数据集图1总结了从图像收集、标注、验证、格式导出到基准评估的完整流程。A. 收集与标注图像从Google Earth Pro收集仅供学术研究使用。候选区域通过手动探索机场、高速公路、港口、游艇码头和亚洲、欧洲、俄罗斯及美国的沿海区域然后以最高可用分辨率导出。在筛选过程中移除了包含严重噪声、强烈云层覆盖或重复视角的文件并视需要进行基本裁剪以确保目标对象在画面内。每个对象实例使用CVAT和Roboflow标注轴对齐边界框和四个类别标签之一飞机、船、汽车、舰船。第二轮验证修正了框位置和类别分配在最终划分之前移除了无效或异常标注。最终标注以COCO JSON格式和每张图像的YOLO文本格式发布类别索引为0至3使得该数据集可直接被COCO风格评估工具包和Ultralytics训练管道使用无需转换。该数据集在Kaggle和Mendeley DataDOI: 10.17632/d42n3cp86p.3上以CC BY 4.0许可证公开发布旨在用于学术研究用户还应遵守源影像提供商的条款。图2展示了标注和验证后的代表性机场、港口、高速公路和码头场景。图1. SkySeaLand和SkyDet概览。(a) 1,307张图像和19,101个标注实例的类别构成和宽高比分布。(b) SkyDet将MobileNetV3-Small骨干与64通道特征金字塔和无锚框检测头相结合。(c) 在十二个基准检测器中SkyDet占据一个独特的低占用运行点。图2. SkySeaLand标注样本显示四个对象类别飞机、船、汽车和舰船。B. 划分和类别分布数据集划分为训练集1,048张图像80%、验证集132张图像10%和测试集127张图像10%。表II报告了每个划分的图像和实例数量。汽车类是最大的有6,936个实例占所有标注的36.3%其次是飞机25.4%、船19.2%和舰船19.1%。这种分布源于所选场景和对象密度高速公路和停车场图像比机场或海上图像包含更多实例。在SkyDet训练中使用类别加权焦点损失第IV节。项目训练验证测试总计图像数1,0481321271,307标注数15,0341,9922,07519,101飞机3,9273675534,847船2,6836573343,674汽车5,4596797986,936舰船2,9652893903,644表II. 划分统计及每个类别的实例数量。目标尺度变化很大。标注框的中位面积为2,726 px²第10百分位低于873 px²低于COCO小目标阈值32²1024? 原文写322 px²但COCO小目标定义是面积32²1024 px²这里可能笔误按原文翻译为“低于873 px²低于COCO小目标阈值322 px²”但322可能是笔误保留原文第90百分位超过13,000 px²。百分位统计在三个划分中一致表明划分是尺度平衡的。C. 图像几何SkySeaLand在原始图像几何上不同于基于图块的航空基准。数据集审核使用了五个源图像大小区间微小、小、中、大、巨型以3,836像素作为主导巨型组的边界。按最长边计1,104张图像84.5%超过此边界90张6.9%在1,024至3,836像素之间58张4.4%在512至1,024像素之间55张4.2%低于512像素。宽高比同样偏斜955张图像73.1%接近3:1的宽高比179张13.7%接近4:188张6.7%接近2:1方形或高瘦格式占比不到7%。交叉表显示这两个属性是耦合的74.6%的最大图像接近3:1。图3总结了这两个分布。图3. SkySeaLand的图像几何(a) 按最长边划分的大小类别(b) 宽高比类别。该数据集以巨型、极宽场景为主。这种几何特征对检测有直接影响。将3:1场景缩放到640×640要么扭曲对象形状要么使用letterbox将图像映射到大约640×213像素并在方形张量中留下约三分之二的填充区域。虽然保留了完整的水平视野但对象根据图像宽度被缩小检测器仍然处理填充后的张量。因此SkySeaLand为宽场景预处理提供了一个实际的压力测试。所有训练的模型都使用letterbox缩放以保持宽高比。IV. SKYDET超轻量级检测基线A. 设计目标和架构SkyDet旨在记录基准测试中占用空间范围的低端。有意以精度换取体积问题在于在接近一百万参数的情况下仍能保留多少检测能力而非该模型能否匹配比它大数十倍的检测器。该架构包含三个组件。一个在ImageNet上预训练的MobileNetV3-Small骨干[14]使用倒置残差块和深度可分离卷积[24]。一个64通道特征金字塔[15]融合P3–P5特征。一个FCOS风格的无锚框检测头[21]同样由深度可分离卷积构建预测类别分数和边界框无需针对数据集选择锚框。这些成熟组件组合为一个紧凑的参考配置本研究未单独隔离它们的各自贡献。B. 训练训练使用类别加权焦点损失[20]权重与类别频率成反比以及余弦学习率调度[27]初始值为3×10⁻⁴。输入使用letterbox缩放。对于验证诊断分数阈值从第10个epoch的0.001增加到第20个epoch的0.01再到第20个epoch的0.05该调度影响评估和检查点监控但不影响梯度更新。最终测试推理使用0.05。SkyDet在Tesla T4上训练了150个epoch最佳验证检查点出现在第124个epoch。表III总结了配置。组件配置骨干MobileNetV3-SmallImageNet预训练特征融合FPN64通道宽度检测头无锚框深度可分离卷积损失类别加权焦点损失学习率调度余弦衰减初始3×10⁻⁴验证阈值第20个epoch从0.001增至0.05周期 / 最佳检查点150 / 124参数量 / 检查点大小1.22M / 4.90 MB表III. SkyDet配置。V. 在SKYSEALAND上的实验A. 设置我们在SkySeaLand上对十二种检测器进行了基准测试SkyDetRT-DETR-l和RT-DETR-x [13]YOLOv10m [22]YOLOv11m和YOLOv11x [9]YOLOv12m和YOLOv12x [10]YOLO26l和YOLO26x [11]DETR [12]以及带有ResNet-50 FPN骨干的Faster R-CNN。所有模型使用第III-B节中的划分并采用640×640 letterbox输入。评估遵循COCO指标[2]在测试划分上报告IoU阈值0.50–0.95的mAPmAP50-95和IoU0.50的mAPmAP50。SkyDet使用最终分数阈值0.05非极大值抑制IoU为0.45每张图像最多300个检测。模型使用固定的、特定于模型的训练配方YOLO和RT-DETR为100个epochSkyDet为150个epochDETR为50个epochFaster R-CNN为1,000次迭代。这些不均等的预算使得精度表成为一份实用的描述性基准而非受控架构研究。硬件也在不同运行间有所变化Tesla T4NVIDIA L4和NVIDIA A100。参数量和测量的检查点大小提供了占用背景而延迟比较仅限于在同一GPU上测量的行。SkyDet检查点选择仅使用验证划分。选定的检查点随后在留出的测试划分上进行评估得到60.50 mAP50和24.32 mAP50-95。其平均Tesla T4推理时间记录为每张图像0.013741秒换算为13.74 ms72.8 FPS。报告的4.90 MB是磁盘上序列化检查点的大小而非由参数量推算的值。B. 结果从表IV中可以得出三个观察结果。首先经测试的YOLO和RT-DETR变体在一个狭窄的描述性区间内mAP50为84.4–88.2mAP50-95为56.4–60.4尽管参数量从15M到65M不等。在这些运行中更大的参数量并未带来一致的增益例如YOLOv11m以35%的参数量在mAP50-95上超出YOLOv11x 0.4个百分点。由于单次运行和特定模型配方无法断言统计等价。其次50个epoch的DETR结果是一个受约束预算的参考因为DETR变体通常需要更长的调度[23]。带匕首标记的Faster R-CNN行保留以供完整性但因其实质上比其他训练调度短得多的1,000次迭代预算在家族级解释中被排除。第三SkyDet占据了表格的低占用端点。在1.22M参数量和4.90 MB下它的参数量约为YOLOv10m的1/13检查点比RT-DETR-x小约27倍。它保留了60.5 mAP50即YOLOv11m mAP50的69%但参数量仅为后者的6%。与受约束的DETR运行相比SkyDet在mAP50-95上相差2.4个百分点在mAP50上相差0.3个百分点而检查点大小约为DETR的1/34。在同一Tesla T4上其13.74 ms延迟72.8 FPS是RT-DETR-x的65.70 ms的21%。这些比较建立了一个占用-精度参考点而非精度优势。图4可视化展示了精度-检查点大小空间中的分离。参数量、存储和运行时不应混为一谈。SkyDet是表IV中最小的模型但其T4延迟高于报告的YOLOv11m、YOLOv10m、YOLO26l和YOLOv12m运行。在此尺度下算子选择、内存访问、框架内核和执行开销可能超过参数量。因此可防御的部署结果是4.90 MB存储占用及实测的实时吞吐量本文仅声称在同一硬件上相对于RT-DETR-x的延迟优势。模型mAP50 (%)mAP50-95 (%)参数量 (M)大小 (MB)延迟 (ms)GPURT-DETR-x [13]87.3260.3665.48131.265.70Tesla T4YOLO26x [11]88.2060.0055.64118.319.20Tesla T4RT-DETR-l [13]87.6059.9031.9966.28.90NVIDIA L4YOLOv11m [9]87.2059.0020.0340.57.30Tesla T4YOLO26l [11]87.2058.6024.7553.08.60Tesla T4YOLOv11x [9]87.0058.6056.83114.42.70NVIDIA A100YOLOv12x [10]87.0058.5059.05119.14.10NVIDIA A100YOLOv12m [10]87.1057.8020.1140.813.30Tesla T4YOLOv10m [22]84.4056.4015.3233.58.30Tesla T4Faster R-CNN† [7]46.1528.4041.75283.995.20Tesla T4DETR ResNet-50 [12]60.8026.7041.50166.047.55Tesla T4SkyDet (ours)60.5024.321.224.9013.74Tesla T4表IV. SkySeaLand测试划分上的检测器性能按mAP50-95排序。† 受约束的1,000次迭代运行。图4. SkySeaLand上精度与模型大小的关系对数尺度。现代检测器在4倍大小范围内聚集在狭窄的精度区间内而SkyDet定义了一个独立的低占用运行点。VI. 跨数据集评估表V报告了在DOTA v2.0和RSOD上的辅助诊断。模型在每个数据集上独立训练没有权重迁移。可用的SkyDet运行使用数据集特定的配置并非参数相同比较器覆盖不对称且比较器的训练预算在现有记录中并未确定为匹配。因此本实验既不支持共同占用声明也不支持单个检查点的跨域泛化。它只询问训练和评估流程是否能应用于SkySeaLand之外。DOTA诊断使用DOTA v2.0 [3]的1,822张图像的Roboflow导出子集保留所有18个类别采用COCO水平框格式这不是完整的官方发布。RSOD [16]使用所有四个类别。SkyDet延迟使用两块Tesla T4 GPU测量而比较器延迟使用单块T4时间仅用于来源记录不跨行比较。在DOTA v2.0子集上SkyDet在mAP50上相差0.46个百分点在mAP50-95上相差0.65个百分点与Faster R-CNN相当但两者的绝对分数在水平框导出上仍然较低。在RSOD上SkyDet在mAP50上落后YOLOv12x 6.7个百分点在mAP50-95上落后17.7个百分点。这些精度差异是描述性的因为训练预算未确定为匹配。选定的比较表明该流程在两个额外的航空数据集上产生了可测量的结果但不对称的基线和数据集特定的SkyDet配置并未确立普遍优越性、可迁移的效率比或延迟优势。数据集模型mAP50 (%)mAP50-95 (%)延迟 (ms)GPUDOTA子集SkyDet14.706.7011.592×T4DOTA子集Faster R-CNN15.167.3587.971×T4RSODSkyDet88.9054.3011.182×T4RSODYOLOv12x95.6072.0046.101×T4表V. 选定的跨数据集诊断及硬件来源。VII. 讨论与局限性SkyDet在mAP50和mAP50-95之间36.18个百分点的差距表明随着定位标准变得更加严格性能大幅下降。这种模式与小边界框对像素级位移的敏感性一致但现有证据无法将差距归因于目标尺度当前没有按尺度或按类别的AP可用。因此该结果应推动而非验证未来对切片、更高输入分辨率和尺度感知训练的测试。结论在五个方面受到限制。第一SkySeaLand比DOTA [3]和DIOR [4]小它是一个紧凑的补充基准。在划分前已筛选重复视角但划分是基于图像级别的并未强制地理分离因此区域相似性可能仍存在于子集之间。总体评估也未分别报告陆地和海上性能。第二检测器表格包含在不等模型特定配方下的单次运行且无不确定性估计支持关于微小差异的说法。第三混合硬件和设备数量阻止了大多数延迟比较唯一陈述的比例使用了SkyDet和RT-DETR-x在单块T4上的SkySeaLand运行而外部的双块和单块T4计时未进行比较。第四未报告组件消融或当前检查点的按尺度AP因此本研究未对SkyDet的错误原因做出因果声明。最后外部数据集比较使用了不对称基线和非相同的SkyDet配置。SkySeaLand标注是轴对齐的因此定向检测不在当前范围内。VIII. 结论SkySeaLand贡献了1,307张公共卫星图像和19,101个标注涵盖四个陆地和海上交通类别提供原生COCO和YOLO标签及文档化的宽场景几何。其十二检测器基准将经测试的YOLO和RT-DETR运行置于一个狭窄的描述性精度范围内。SkyDet定义了低占用端点在1.22M参数量、4.90 MB检查点和Tesla T4上13.74 ms延迟72.8 FPS下达到60.5 mAP50和24.32 mAP50-95。它量化了在5 MB预算下保留的精度而非挑战高精度检测器。未来的工作应评估地理分离的划分、重复运行和小目标干预措施。