LSKNet模型推理部署全流程：从单图测试到批量可视化

【免费下载链接】LSKNet(IJCV2024 & ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNet

LSKNet（Large Selective Kernel Network）是IJCV 2024与ICCV 2023收录的轻量级遥感目标检测骨干网络，它在DOTA-v1.0上以LSKNet_S + Oriented R-CNN取得了81.64% mAP的SOTA成绩，在HRSC2016上更是达到了98.46% mAP。本文为新手整理一套完整的LSKNet模型推理与部署教程，从环境准备、权重下载，到单张图片测试、超大遥感图分块推理，再到批量测试与结果可视化，一步步带你跑通遥感目标检测的完整推理流程。

图片说明：LSKNet通过大卷积核分解（Larger Kernel Decomposition）与空间选择（Spatial Selection）机制，动态调整感受野，从而更好地建模遥感场景中不同目标的上下文信息。源码位于 mmrotate/models/backbones/lsknet.py。

一、LSKNet模型推理前准备：环境安装与权重下载

1. 克隆项目并安装依赖

LSKNet 基于 OpenMMLab 的 MMRotate 工具箱构建，需要 PyTorch、MMCV、MMDetection 等基础依赖。推荐使用 conda 创建独立环境：

conda create --name openmmlab python=3.8 -y conda activate openmmlab conda install pytorch==1.8.0 torchvision==0.9.0 cudatoolkit=10.2 -c pytorch pip install -U openmim mim install mmcv-full mim install mmdet

然后克隆本仓库并安装：

git clone https://gitcode.com/gh_mirrors/ls/LSKNet cd LSKNet pip install -v -e .

2. 下载预训练模型权重

LSKNet 官方提供了 ImageNet 300 epoch 预训练的 LSKNet-T / LSKNet-S 骨干权重，以及 DOTA、HRSC 等数据集上训练好的完整检测器权重。建议将权重统一放入checkpoints/目录，方便后续推理时引用。模型效果对照表可参考 configs/lsknet/README.md。

3. 认识推理配置文件

LSKNet 的推理配置位于 configs/lsknet/，以最常用的 lsk_s_fpn_1x_dota_le90.py 为例，它组合了LSKNet骨干、FPN颈部、OrientedRCNN检测头，适用于 DOTA 数据集的 le90 角度定义方式。推理时只需把配置和权重路径传给脚本即可，无需修改任何代码。

二、LSKNet单图测试：一行命令跑通遥感目标检测

对新手来说，最直观的体验方式就是拿一张图片做单图推理测试。项目提供了现成的 demo/image_demo.py 脚本，用法如下：

python demo/image_demo.py \ demo/dota_demo.jpg \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ --out-file results/dota_demo_result.jpg

图片说明：这是 DOTA 风格的航拍场景样例（demo/dota_demo.jpg），包含车辆、建筑等多尺度密集目标，正是 LSKNet 擅长处理的复杂遥感场景。

常用参数说明

如果想在 CPU 上体验推理，把--device改为cpu即可（注意 RoIPool 相关模块在 CPU 上暂不支持，建议使用 GPU）。另一张示例图demo/demo.jpg也可以用来快速验证流程。

三、超大遥感图分块推理：LSKNet大图检测的终极方案

遥感影像往往是大尺寸航拍图，直接输入模型会超出显存限制。为此，项目提供了大图分块推理工具 demo/huge_image_demo.py，它通过滑动窗口把大图切成小块，逐块推理后再用 NMS 合并结果，核心逻辑见 mmrotate/apis/inference.py 中的inference_detector_by_patches。

python demo/huge_image_demo.py \ demo/dota_demo.jpg \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth

关键参数：按场景调优

步长小于块尺寸时会产生重叠窗口，能有效避免目标被切断在边界处，是大图推理质量的关键技巧。多尺度推理（--img_ratios 0.5 1.0 1.5）则能显著提升小目标的召回率。

四、LSKNet批量测试与结果评估：数据集的推理部署

当需要对整个测试集做批量推理并评估精度时，使用 tools/test.py 脚本。它支持单 GPU、多 GPU 以及分布式推理，还能一键输出 mAP 评估指标。

单卡批量测试

python tools/test.py \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ --eval mAP

多卡分布式加速测试

多卡环境下推荐使用官方提供的 tools/dist_test.sh 脚本，速度成倍提升：

bash tools/dist_test.sh \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoints/lsk_s_fpn_1x_dota_le90.pth \ 8 \ --eval mAP

常用参数速查

• --out：以 pickle 格式保存原始检测结果，便于后续分析
• --show-dir：批量测试时把每张图的检测结果可视化保存到指定目录
• --show-score-thr：可视化时的置信度阈值，默认 0.3
• --format-only：只格式化输出结果而不评估，用于提交到测试服务器
• --fuse-conv-bn：融合卷积与 BN 层，轻微提升推理速度

从测试结果到批量可视化

批量测试配合--show-dir即可实现批量可视化：脚本会为测试集中的每张图片生成带旋转框标注的结果图并保存。若需要自定义可视化风格（如修改调色板、线宽），可以参考 mmrotate/core/visualization/image.py 的实现。

五、LSKNet推理性能优化技巧

1. 开启 Conv-BN 融合加速

在 tools/test.py 中加上--fuse-conv-bn参数，可以在不影响精度的前提下略微提升推理速度，适合对延迟敏感的部署场景。

2. 使用 EMA 微调权重提升精度

项目提供了 EMA 微调后的模型配置 lsk_s_ema_fpn_1x_dota_le90.py，在 DOTA 上可将 mAP 从 81.64 提升至 81.85，推理时直接替换权重即可。

3. 按任务选择合适的检测头

LSKNet 骨干非常灵活，官方在 configs/lsknet/ 下提供了 Oriented R-CNN、R3Det、S2ANet、RoI Transformer 等多种检测头的组合配置，可按精度与速度需求自由搭配。

六、常见问题排查清单

七、总结：LSKNet推理部署路线图

回顾整个流程：环境安装 → 权重下载 → 单图测试 → 大图分块推理 → 批量测试评估 → 结果可视化，这就是一套完整可复用的 LSKNet 遥感目标检测推理部署链路。无论你是想快速验证模型效果、处理单张航拍大图，还是对整批测试集做精度评估，本文给出的命令都能直接上手。LSKNet 凭借轻量高效的大选择性卷积核设计，已成为遥感目标检测领域极具性价比的基础骨干网络，值得每一位遥感与 CV 开发者深入学习与实践。

【免费下载链接】LSKNet(IJCV2024 & ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNet