LSKNet快速上手：3步跑通你的第一个遥感旋转目标检测

【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

遥感图像中的目标检测一直是计算机视觉的难点：目标小、方向任意、背景复杂，传统水平框检测方法往往"力不从心"。LSKNet 正是为解决这一问题而生的轻量级骨干网络，它在 ICCV 2023 和 IJCV 2024 连续发表，凭借"大卷积核 + 空间选择机制"在 DOTA、FAIR1M、HRSC2016 等遥感旋转目标检测数据集上刷新了多项 SOTA 纪录。本文带你用 3 步快速上手 LSKNet，从环境搭建到训练测试，跑通你的第一个遥感旋转目标检测模型。

LSKNet 是什么：为遥感场景而生的轻量级骨干网络

遥感场景有一个独特先验：很多目标（如车辆、舰船、飞机）非常小，如果没有足够大的上下文信息很容易被误检或漏检；而且不同类型的物体所需的上下文范围差异很大——检测停车场里的车辆需要参考整个停车场，而检测单独的建筑可能只需局部信息。

LSKNet（Large Selective Kernel Network，大选择性卷积核网络）抓住了这一点：它让网络能够动态调整大范围的感受野，根据输入内容"选择性"地关注不同尺度的空间上下文。这也是"大卷积核 + 选择机制"首次被引入遥感目标检测领域。

从上图可以看到 LSKNet 的核心设计：通过大卷积核分解（Larger Kernel Decomposition）将大感受野拆分为两个并行分支，再通过空间选择（Spatial Selection）机制动态融合不同分支的特征，让模型自动决定"该看多远"。

LSKNet 的 3 大核心优势

• ⚡轻量高效：提供 LSKNet-T / LSKNet-S 两种规格，参数量和计算量远低于传统骨干，却能在 DOTA-v1.0 上把 mAP 提升到 81+。
• 🎯动态感受野：LSKblock用 5×5 卷积 + 7×7 膨胀卷积（dilation=3）分解大卷积核，再通过空间注意力自动选择关键上下文，兼顾精度与速度。
• 🏆即插即用：LSKNet 是通用骨干网络，可直接替换 MMRotate 中 Oriented R-CNN、R3Det、S2ANet、RoI Transformer 等检测器的 backbone，改一行配置即可。

核心实现位于mmrotate/models/backbones/lsknet.py，其中LSKblock就是上面架构图中空间选择机制的关键代码。

第 1 步：LSKNet 环境搭建（最快配置方法）

LSKNet 官方实现基于 MMRotate，依赖 PyTorch、MMCV 和 MMDetection。整个安装过程只需几分钟：

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 LSKNet 仓库并安装：

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

第 2 步：准备数据与选择 LSKNet 训练配置

训练前需要准备遥感数据集（如 DOTA-v1.0），官方提供了完整的数据切分脚本，位于tools/data/dota/目录，可参考其中的说明完成数据准备。

LSKNet 的所有训练配置都集中在configs/lsknet/目录下，官方已经为你准备好了一系列开箱即用的配置：

以主力配置configs/lsknet/lsk_s_fpn_1x_dota_le90.py为例，它的核心结构是：

• 骨干网络：LSKNet，embed_dims=[64, 128, 320, 512]，depths=[2,2,4,2]，可加载 ImageNet 预训练权重；
• 颈部网络：FPN，输出 256 通道多尺度特征；
• 检测头：OrientedRPNHead + OrientedStandardRoIHead，输出 15 类 DOTA 目标。

第 3 步：训练、测试与可视化（跑通你的第一个模型）

训练 LSKNet 模型

单卡训练：

python tools/train.py configs/lsknet/lsk_s_fpn_1x_dota_le90.py

多卡训练（官方实验使用 8 卡）：

./tools/dist_train.sh configs/lsknet/lsk_s_fpn_1x_dota_le90.py 8

测试与评估

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

单张图片推理演示

仓库提供了演示脚本demo/image_demo.py，可以快速对单张遥感图像进行旋转目标检测：

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 work_dirs/demo_result.jpg

上面这张图是典型的停车场遥感场景，黄色校车、小型车辆、大型建筑等目标排列密集且方向各异，正是 LSKNet 这类旋转目标检测模型的"主场"。再看一个类似场景的检测结果：

LSKNet 在主流遥感数据集上的表现

LSKNet 用"轻量"换来了"全面领先"：

进阶玩法：从 LSKNet 还能得到什么

• 换检测器：同样的 LSKNet 骨干可以搭配 R3Det、S2ANet、RoI Transformer 等不同检测头，配置都在configs/lsknet/下，可以比较哪种组合最适合你的业务场景。
• 换数据集：除了 DOTA，仓库还提供了 HRSC2016、FAIR1M、HRSID、SSDD 等数据集的配置与切分工具。
• 自定义骨干：如果想改造 LSKNet，核心实现就在mmrotate/models/backbones/lsknet.py，从LSKblock入手即可理解整个空间选择机制，进而设计自己的遥感骨干网络。

小结

3 步就能跑通 LSKNet：搭建环境、选择配置、训练测试。作为遥感旋转目标检测领域的轻量级骨干网络，LSKNet 用极小的代价换来了 DOTA、FAIR1M、HRSC2016 上的全面 SOTA，非常适合作为遥感任务的基线模型。赶紧动手，跑出你的第一个旋转目标检测结果吧！🚀

【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