geoai-所有demo基础仓
edit | blame | history | raw

geoai-py 直接能力目录

版本基准：geoai-py 0.42.0（当前项目对象检测环境）。

本文只整理 opengeos/geoai 已有模块、接口和官方工作流，不把项目侧的风险规则、
工单、航线或算法组合误称为 geoai-py 内置能力。

先理解“直接使用”的含义

算法人员交付一个模型，不等于产品已经可以直接使用。真正可接入需要同时交付：

  1. 模型权重或模型仓库地址，以及单独的许可证说明。
  2. 输入格式、波段顺序、坐标系、分辨率、切片尺寸和归一化方式。
  3. 类别清单、阈值、NMS/后处理参数和版本号。
  4. 固定的推理入口与输出样例。
  5. 一组正常、困难、误报和漏报样本，用于验收。

geoai-py 主要负责数据读取、切片、模型调用、地理结果写出和可视化；它不会
自动拥有“安全帽、钢丝绳断丝、矿浆渗漏”等项目领域模型。

A 类：可以由 geoai-py 直接承接的算法产出

能力 主要接口/模块 算法人员可以交付什么 geoai-py 可直接产出 当前使用边界
目标检测 multiclass_detection、object_detection、object_detection_batch、RF-DETR、ObjectDetector 检测模型、类别表、阈值和切片参数 框、类别、置信度、实例掩膜、GeoTIFF/GeoDataFrame/GeoJSON 内置 NWPU 模型主要是航空目标；人员、安全帽、垃圾等要专项模型。
语义分割 semantic_segmentation、semantic_segmentation_batch、train_segmentation_model、timm_semantic_segmentation 分割模型、类别映射、掩膜标签 像素类别掩膜、矢量图斑、面积统计 沟道、水体、堵塞物和边坡需要项目样本或适配模型。
实例分割 instance_segmentation、instance_segmentation_batch、GroundedSAM、CLIPSegmentation 实例分割模型或点/文本提示 每个目标的掩膜、类别和实例编号 Grounded/SAM 类能力依赖额外模型与许可，不能当作零配置模型。
影像分类 classify_image、classify_images、train_classifier、image_classification 分类模型、标签和类别定义 类别、概率、批量分类结果 适合正常/异常、损坏等级等整图或切片分类。
变化检测 ChangeStarDetection、changestar_detect、变化检测模块 双期模型、配准影像、变化阈值 变化栅格、变化图斑、置信度和矢量结果 双期影像必须配准、同坐标系；当前项目正射变化检测已有产品基础。
水体分割 segment_water 多光谱 GeoTIFF、波段顺序和水体样本 水体掩膜 GeoTIFF、水体 GeoJSON、多边形面积 需要 RGB+NIR 等四波段；普通 JPEG 不能直接替代多光谱输入。
树冠高度 canopy_height_estimation、CanopyHeightEstimation RGB 影像和对应模型权重 每像素树冠高度栅格，单位为米 这是树高估计，不是单木框选；模型权重较大，精度需现场验证。
深度估计 depth_estimation、AutoGeoModel 深度模型和 GeoTIFF 深度 GeoTIFF 通常是相对深度，不能直接当作测绘高程或工程位移。
像素回归 train_pixel_regressor、predict_raster、evaluate_regression 有目标栅格的回归训练集 连续值栅格 可用于高度、指数或风险分值，但裂缝宽度等工程量仍需标定。
特征嵌入与相似度 extract_patch_embeddings、extract_pixel_embeddings、cluster_embeddings、embedding_similarity、train_embedding_classifier 嵌入模型、样本库和相似度/聚类规则 特征向量、聚类、相似图、异常候选 适合样本稀缺的异常筛查，不能直接代替项目告警规则。
遥感基础模型 PrithviProcessor、UniverSatProcessor、DINOv3GeoProcessor、FOUNDATION_MODELS 基础模型权重和下游任务头 特征、分类/分割/回归推理结果 多数需要额外模型、波段和依赖；更适合作为训练或迁移学习底座。

B 类：库有接口，但必须组合或补充依赖

方向 已有支持 还需要补充
大图处理与地理输出 GeoTIFF 切片、拼接、掩膜矢量化、框转 GeoJSON、Raster/Vector 工具 有效 CRS、仿射变换、统一坐标系和业务字段。
零样本/提示式识别 Grounding DINO、OWL、Moondream、CLIP、SAM 等封装入口 外部模型、显存/CPU 评估、提示词、领域验证和许可。
质量与异常筛查 掩膜清理、栅格清理、云掩膜、超分辨率、嵌入聚类 业务质量规则、阈值和人工复核。
三维/连续值分析 深度估计、树冠高度、像素回归以及点云数据读写/下载辅助 摄影测量或 LiDAR、控制点、测量精度和三维重建流程。
ONNX/部署 export_to_onnx、ONNX 分割/分类 onnxruntime、算子兼容、性能压测和部署环境。

C 类：不能直接由 geoai-py 产出

下列结果需要现有产品后端、规则引擎或无人机系统配合：

  • 电子围栏、危险区域包含/距离规则和告警等级。
  • 自动悬停、喊话、返航、复飞和航线调整。
  • 告警推送、工单派发、责任人、处置时限和闭环状态。
  • 轨迹跟踪、行为识别、集群调度和飞行资源编排。
  • 资产健康评分、预测性维护、知识图谱和汇报报表。

geoai-py 的 Pipeline 是代码级步骤编排工具，不等同于矿山巡检项目的业务
流程编排或无人机任务调度。

与瑶岗仙项目需求的直接对应关系

项目算法 可直接承接的库能力 必须由项目侧补充的部分
人员安全识别 人员/安全帽目标检测、可选裁剪分类、GeoJSON 输出 安全帽专项模型、人员-安全帽关联、危险区规则、告警流程。
索道安全感知 检测、分割、异常筛查、像素回归 钢丝绳/卡扣缺陷模型、近景采集、三维测量和阈值。
爆破警戒热成像 目标检测接口、空间结果输出 热成像模型、电子围栏、自动悬停/喊话。
边坡监测 变化检测、分割、深度/回归、矢量统计 配准和测量精度、三维重建、位移/裂缝阈值。
排洪沟/堵塞 语义/实例分割、目标检测、变化检测、面积统计 沟道/箱涵口类别、堵塞物掩膜、纯负样本、严重度规则。
尾矿库矿浆渗漏 水体分割、分类、异常/变化检测 多光谱/热成像、真实渗漏样本、现场复核；RGB 浑浊不能直接证明渗漏。
竖井堵塞及损坏 检测、实例分割、异常筛查、测量 设施部位定义、近景样本和三维模型。

当前环境的可用性提醒

在当前 01-object-detection 环境中，已确认：

  • 已安装：PyTorch、Rasterio、GeoPandas、Transformers、timm、Lightning、OpenCV。
  • 未安装：torchange、omniwatermask、rfdetr、terratorch、segment-geospatial、detectron2、onnxruntime。
  • 因此当前可以继续验证目标检测及其地理输出；ChangeStar、水体分割、RF-DETR、部分基础模型和 ONNX 部署需要先单独建环境或补充依赖。

给算法人员的交付清单

算法人员交付后，项目侧至少需要拿到以下内容，才能接入 geoai-py 或项目方案层：

交付项 最低要求
模型文件 权重路径/仓库、版本、许可证、适用输入。
数据规范 JPG/PNG/GeoTIFF、波段顺序、CRS、GSD、切片和归一化。
标签规范 类别 ID/名称、框或掩膜格式、背景/无效值定义。
推理参数 置信度、NMS、最小面积、变化阈值或回归单位。
输出样例 至少一张正常样本、一张困难样本和对应 JSON/GeoJSON/栅格。
评估结果 样本数量、漏报、误报、IoU/F1/mAP 或回归误差、运行耗时。

这份目录用于判断“算法人员交付的模型能否被现有 GeoAI 工作流承接”，不替代
具体能力的 Demo、数据验收和商业授权审查。