Kelp-PS8B：用于PlanetScope 8波段影像的海带分割模型

模型类型： ONNX 语义分割
应用场景： 高分辨率卫星影像中的海带森林检测
输入： 8波段 PlanetScope 影像
输出： 二值分割掩膜（海带 vs 非海带）

模型描述

Kelp-PS8B 模型是一个深度学习语义分割模型，专门用于在8波段 PlanetScope 卫星影像中检测海带森林。该模型处理全部8个光谱波段，为海洋栖息地监测和研究提供准确的海带分割。

主要特性：

• 针对8波段 PlanetScope 影像优化
• 使用预计算统计数据进行标准化归一化
• 高效的 ONNX 格式，支持跨平台部署
• 专为大规模地理空间处理设计

模型详情

• 版本： 20250626
• 输入通道： 8
• 输入尺寸： 224x224 像素瓦片
• 归一化： 标准（z-score）归一化
• 输出： 二值分割（0：背景，1：海带）
• 格式： ONNX

归一化参数

模型期望使用以下统计数据对输入图像进行归一化：

{
  \"mean\": [1720.0, 1715.0, 1913.0, 2088.0, 2274.0, 2290.0, 2613.0, 3970.0],
  \"std\": [747.0, 698.0, 739.0, 768.0, 849.0, 868.0, 849.0, 914.0],
}

使用方法

1. 使用 kelp-o-matic CLI（推荐）

命令行使用方式：

# 安装 kelp-o-matic
pip install git+https://github.com/HakaiInstitute/kelp-o-matic@dev

# 列出可用模型
kom list-models

# 运行分割
kom segment \
    --model kelp-ps8b \
    --input /path/to/8band_planetscope_image.tif \
    --output /path/to/kelp_segmentation.tif \
    --batch-size 4 \
    --blur-kernel 5 \
    --morph-kernel 3

# 使用特定模型版本
kom segment \
    --model kelp-ps8b \
    --version 20250626 \
    --input image.tif \
    --output result.tif

# 对于大图像，根据可用内存调整批次大小
kom segment \
    --model kelp-ps8b \
    --input large_image.tif \
    --output result.tif \
    --batch-size 8

2. 使用 kelp-o-matic Python API

使用此模型最简单的方式是通过 kelp-o-matic 包：

from kelp_o_matic import model_registry

# 加载模型（如需要会自动下载）
model = model_registry[\"kelp-ps8b\"]

# 处理大型地理空间图像，自动分块
model.process(
    input_path=\"path/to/your/8band_image.tif\",
    output_path=\"path/to/output/segmentation.tif\",
    batch_size=4,
    crop_size=224,
    blur_kernel_size=5,  # 后处理中值模糊
    morph_kernel_size=0,  # 形态学操作
)

# 如需更多控制，可直接使用 predict 方法
import rasterio
import numpy as np

with rasterio.open(\"your_image.tif\") as src:
    # 读取一个 224x224 瓦片（8个波段）
    tile = src.read(window=((0, 224), (0, 224)))  # 形状：(8, 224, 224)
    tile = np.transpose(tile, (1, 2, 0))  # 转换为 HWC 格式
    
    # 添加批次维度并进行预测
    batch = np.expand_dims(tile, axis=0)  # 形状：(1, 224, 224, 8)
    batch = np.transpose(batch, (0, 3, 1, 2))  # 转换为 BCHW 格式
    
    # 运行推理（自动处理预处理）
    predictions = model.predict(batch)
    
    # 后处理以获取最终分割结果
    segmentation = model.postprocess(predictions)

3. 直接使用 ONNX Runtime

import numpy as np
import onnxruntime as ort
from huggingface_hub import hf_hub_download

# 下载模型
model_path = hf_hub_download(repo_id=\"HakaiInstitute/kelp-ps8b\", filename=\"model.onnx\")

# 加载模型
session = ort.InferenceSession(model_path)

# 模型归一化参数
mean = np.array([1720.0, 1715.0, 1913.0, 2088.0, 2274.0, 2290.0, 2613.0, 3970.0])
std = np.array([747.0, 698.0, 739.0, 768.0, 849.0, 868.0, 849.0, 914.0])

# 预处理您的8波段图像
def preprocess(image):
    \"\"\"
    预处理8波段图像用于模型输入
    image: 形状为 [height, width, 8] 的 numpy 数组，像素值范围 0-65535
    \"\"\"   
    # 应用 z-score 归一化
    image = (image - mean) / std
    
    # 重塑为模型输入格式 [batch, channels, height, width]
    image = np.transpose(image, (2, 0, 1))  # HWC 转为 CHW
    image = np.expand_dims(image, axis=0)  # 添加批次维度
    
    return image

# 运行推理
preprocessed = preprocess(your_8band_image)
input_name = session.get_inputs()[0].name
output = session.run(None, {input_name: preprocessed})

# 后处理获取二值掩膜
logits = output[0]
prediction = np.argmax(logits, axis=1).squeeze(0).astype(np.uint8)

4. 使用 HuggingFace Hub 集成

from huggingface_hub import hf_hub_download
import onnxruntime as ort

# 下载并加载模型
model_path = hf_hub_download(
    repo_id=\"HakaiInstitute/kelp-ps8b\",
    filename=\"model.onnx\",
    cache_dir=\"./models\"
)

session = ort.InferenceSession(model_path)
# ... 继续进行预处理和推理，如上所示

安装

用于 kelp-o-matic 使用：

# 通过 pip 安装
pip install git+https://github.com/HakaiInstitute/kelp-o-matic@dev

用于直接 ONNX 使用：

pip install onnxruntime huggingface-hub numpy
# 如需 GPU 支持：
pip install onnxruntime-gpu

输入要求

• 图像格式： 8波段栅格（推荐 GeoTIFF）
• 波段顺序： 蓝光、绿光、红光、近红外以及4个额外的 PlanetScope 波段
• 像素值： 原始 PlanetScope 数字值（0-65535 范围）
• 空间分辨率： 针对 ~3m PlanetScope 分辨率优化

输出格式

• 类型： 单波段栅格
• 值：
  • 0：非海带（背景、水体、其他特征）
  • 1：海带森林
• 格式： 与输入栅格格式和投影匹配
• 空间分辨率： 与输入相同

性能说明

• 所需瓦片大小： 224x224 像素
• 批次大小： 从4开始，根据可用 GPU 内存调整

大图像处理

对于处理大型地理空间图像，kelp-o-matic 包会处理以下事项：

• 自动分块： 将大图像分割成可管理的瓦片
• 重叠处理： 使用重叠瓦片避免边缘伪影
• 内存管理： 分批处理瓦片以管理内存使用
• 地理空间元数据： 保留坐标参考系统和地理变换
• 后处理： 可选的中值滤波和形态学操作

引用

如果您在研究中使用此模型，请引用：

@software{Denouden_Kelp-O-Matic,
  author = {Denouden, Taylor and Reshitnyk, Luba},
  doi = {10.5281/zenodo.7672166},
  title = {{Kelp-O-Matic}},
  url = {https://github.com/HakaiInstitute/kelp-o-matic}
}

许可证

此模型基于 made-with-clay/Clay 基础模型构建。请参阅各自的许可证：

• Kelp-O-Matic 包：MIT 许可证 - 详情请参阅 kelp-o-matic 仓库
• Clay 基础模型：Apache 2.0 许可证 - 详情请参阅 LICENSE.Clay

相关资源

• 文档： kelp-o-matic.readthedocs.io
• 源代码： github.com/HakaiInstitute/kelp-o-matic
• 其他模型： 查看 Hakai Institute HuggingFace 组织 获取更多海带分割模型

联系方式

如有问题或反馈：

• 在 GitHub 仓库 提交 issue
• 联系：Hakai Institute