科大讯飞AI大赛:高分辨率遥感影像变电站识别挑战赛 Baseline

• 赛题名称：高分辨率遥感影像变电站识别挑战赛
• 赛题类型：计算机视觉、物体检测
• 赛题任务：设计并构建高精度、高鲁棒性的变电站识别算法

https://challenge.xfyun.cn/topic/info?type=HSI-SubID&option=ssgy&ch=2026dsDW1

unsetunset比赛背景unsetunset

随着国家新型能源体系与智能电网建设的推进，变电站作为电力传输与调度的核心节点，其空间位置与运行状态的精准掌握，已成为电网资产管理、应急保障及国土规划的关键基础。传统依赖人工外业巡检的方式，难以满足大范围、高频次、高精度的动态监测需求。

与此同时，高分辨率遥感卫星（尤其是"吉林一号"星座）的快速发展，为基础设施精细化感知提供了全新数据源。然而，变电站目标在亚米级影像中呈现结构复杂、尺度差异大、与工业厂区及光伏设施高度相似等特点，传统图像处理方法泛化能力弱，急需结合人工智能技术实现高鲁棒性的自动识别。

本次挑战赛由长光卫星技术股份有限公司主办，旨在汇聚产学研力量，探索适用于复杂场景下的变电站智能识别算法，推动遥感AI技术在能源设施监测领域的工程化落地。

unsetunset比赛任务unsetunset

参赛者需要基于"吉林一号"高分辨率遥感图像，设计并构建高精度、高鲁棒性的变电站识别算法。核心任务是在复杂地理背景下：

• 精准定位变电站位置
• 准确判别其边界（水平边界框）
• 解决目标尺度差异大、结构多样、与易混淆地物区分难等关键技术问题

输出格式为标准YOLO格式的检测结果，每行包含：

<class_id> <x_center> <y_center> <width> <height> <confidence>

其中 class_id 固定为 0，confidence 为置信度分数（0~1）。

unsetunset比赛数据集unsetunset

本次大赛提供"吉林一号"高分辨率遥感图像，具有以下特点：

标注格式：采用标准YOLO格式的文本文件（.txt），与图像文件同名。每行包含 [<class_id> <x_center> <y_center> <width> <height>]，其中坐标和宽高均经过归一化处理（取值0.0~1.0），所有数据的 class_id 均为 0。

数据集划分：

unsetunset比赛时间轴unsetunset

重要规则提醒：

• 每支队伍每天最多提交 3次，总提交次数不超过 36次
• 初赛、复赛模型大小均需 ≤ 600MB
• 复赛需提交技术报告、完整项目代码及模型权重文件

unsetunset评估指标unsetunset

本赛题采用 mAP@[0.5:0.95] 作为核心排名指标，这是目标检测领域最严格且最常用的评估标准之一。

计算流程：

1. 计算IoU：对每个预测框与真实框计算交并比
2. 单阈值AP计算：
• 在固定IoU阈值（如0.50）下，按置信度排序预测框
• 匹配真实框，计算Precision和Recall
• 绘制P-R曲线，积分求面积得到AP₀.₅₀
3. 综合mAP计算：
• 取IoU阈值从0.50到0.95，步长0.05，共10个阈值
• 分别计算AP值后求平均，得到 mAP@[0.5:0.95]

unsetunset比赛 Baselineunsetunset

为了帮助参赛者快速入门，我们提供了一套基于 Ultralytics YOLOv8 的 Baseline 方案。以下对核心步骤进行解读。

https://github.com/datawhalechina/competition-baseline/tree/master/competition/%E7%A7%91%E5%A4%A7%E8%AE%AF%E9%A3%9EAI%E5%BC%80%E5%8F%91%E8%80%85%E5%A4%A7%E8%B5%9B2026

数据集划分

import osimport globimport shutilos.makedirs('val', exist_ok=True)os.makedirs('val/labels', exist_ok=True)os.makedirs('val/images', exist_ok=True)labels = glob.glob('./train/labels/*')images = glob.glob('./train/images/*')labels.sort(); images.sort()# 取最后50张作为验证集for x, y in zip(labels[-50:], images[-50:]):    shutil.move(x, 'val/labels/')    shutil.move(y, 'val/images/')

生成数据集配置文件

创建 yolo.yaml，定义数据集路径和类别名称：

import osdir_path = os.path.abspath('./') + '/'with open('yolo.yaml', 'w', encoding='utf-8') as up:    up.write(f'''path: {dir_path}/train: train/val: val/names:    0: substation''')

模型训练

使用 YOLOv8m 作为基础模型，训练 40 个 epoch：

from ultralytics import YOLOmodel = YOLO("yolov8m.pt")  # 加载预训练权重results = model.train(data="./yolo.yaml", epochs=40, device=1, batch=16)

Baseline 策略分析：

• 选择 YOLOv8m（中等规模）在精度和速度之间取得平衡
• 使用 COCO 预训练权重进行迁移学习
• Batch size = 16，epochs = 40 是较为保守的设置

推理与结果生成

对测试集图像进行推理，生成符合提交格式的结果文件：

model = YOLO("runs/detect/train/weights/best.pt")os.makedirs('submit', exist_ok=True)test_paths = glob.glob('images/*')for path in test_paths:try:        predictions = model(path, save_txt=None)with open("./submit/" + path.split('/')[-1][:-4] + '.txt', '+w') as file:for idx, prediction in enumerate(predictions[0].boxes.xywhn):                cls = int(predictions[0].boxes.cls[idx].item())                file.write(f"{cls}{prediction[0].item()}{prediction[1].item()}{prediction[2].item()}{prediction[3].item()} 0.99\n")except:# 推理失败则生成空文件with open("./submit/" + path.split('/')[-1][:-4] + '.txt', '+w') as file:            file.write("")

输出格式说明：每行依次为类别ID（固定0）、归一化中心点x、归一化中心点y、归一化宽度、归一化高度、置信度（这里固定为0.99）。

Baseline 改进方向

对于希望提升排名的参赛者，可以从以下方向进行优化：

本次"高分辨率遥感影像变电站识别挑战赛"是一项将遥感技术与计算机视觉深度融合的典型工业级赛事。其特点在于：

1. 数据真实且具挑战性：亚米级遥感影像，目标与环境高度相似
2. 评估标准严格：采用 mAP@[0.5:0.95] 全面衡量检测精度
3. 赛制完整：从初赛本地调试到复赛在线推理，再到决赛答辩
4. Baseline 友好：基于 YOLOv8 的快速上手方案，降低参赛门槛

对于参赛者而言，这不仅是算法能力的比拼，更是对工程化部署能力和问题分析能力的综合考验。期待参赛者们在变电站智能识别这一细分方向上，探索出更具创新性和实用性的解决方案。

#  学习大模型 & 讨论Kaggle  #

每天大模型、算法竞赛、干货资讯