Remote Sensing Cloud Detection Training and Deployment

遥感影像云检测训练、ONNX 转换、模型加密与离线部署工具。项目覆盖从语义分割模型训练到 Windows/Linux 可执行程序交付的完整链路，适合作为遥感 CV 模型工程化部署示例。

• 基于 MMSegmentation 配置 Mask2Former + Swin Transformer 云检测模型，完成背景/云区二分类语义分割训练。
• 使用 Pascal VOC 格式数据集组织训练、验证和预测流程，支持 mIoU 验证和 best checkpoint 保存。
• 基于 MMDeploy 导出 ONNX，配置 ONNX Runtime 后端、opset、静态输入尺寸和输入输出节点。
• 转换 MMDeploy 自定义算子，将 mmdeploy::grid_sampler 替换为标准 ONNX GridSample，并处理 ReduceMean 兼容。
• 使用 Fernet 对 ONNX 模型加密为 .bin，部署端运行时解密后加载到 ONNX Runtime。
• 支持单图/文件夹批量推理、云掩膜平滑、轮廓矢量化、云量统计、GeoTIFF 与 Shapefile 输出。
• 提供 PyInstaller/Nuitka 打包配置和 Docker 推理示例，便于离线交付。

.
├── training/                 # 训练、预测、ONNX 导出
│   ├── configs/              # MMSeg/MMDeploy 配置
│   ├── datasets/             # Pascal VOC 样例索引文件
│   ├── train.py
│   ├── predict.py
│   └── export_onnx.py
├── conversion/
│   └── onnx2bin.py           # ONNX 算子转换与 Fernet 加密
├── deployment/
│   ├── smooth_mask.py        # 推荐部署入口，含平滑后处理
│   ├── basic_inference.py    # 基础部署版本
│   └── packaging/            # PyInstaller/Nuitka 打包辅助文件
├── docker/                   # 容器化推理示例
├── requirements-train.txt
└── requirements-deploy.txt

训练默认使用 Pascal VOC 语义分割格式：

datasets/
├── JPEGImages/
├── SegmentationClass/
└── ImageSets/
    └── Segmentation/
        ├── train.txt
        ├── trainval.txt
        └── val.txt

SegmentationClass 中背景像素为 0，云区像素为 1。仓库只保留样例索引文件，真实训练影像、标注、checkpoint、ONNX 和加密模型不上传。

训练环境示例：

conda create -n mmcloud python=3.9
conda activate mmcloud
pip install -r requirements-train.txt
mim install mmengine
mim install mmdet
mim install mmcv==2.0.0rc4

部署环境示例：

pip install -r requirements-deploy.txt

python training/train.py \
  --data-root ./training/datasets \
  --work-dir ./work_dirs/cloud \
  --batch-size 2 \
  --max-iters 160000 \
  --val-interval 5000

常用参数：

• --data-root：Pascal VOC 数据根目录。
• --work-dir：日志与 checkpoint 输出目录。
• --batch-size：训练 batch size。
• --max-iters：最大训练迭代数。
• --val-interval：验证间隔。
• --amp：启用混合精度训练。
• --resume：从 work dir 中恢复训练。

python training/export_onnx.py \
  --checkpoint ./work_dirs/cloud/best_mIoU.pth \
  --img ./demo_images/sample.jpg \
  --work_dir ./work_dir \
  --device cpu

导出后默认得到：

work_dir/end2end.onnx

生成 Fernet key：

python -c "from cryptography.fernet import Fernet; print(Fernet.generate_key().decode())"

设置密钥并生成加密模型：

export MODEL_FERNET_KEY="<your-fernet-key>"
python conversion/onnx2bin.py \
  --input ./work_dir/end2end.onnx \
  --output ./work_dir/final_model.bin

Windows PowerShell：

$env:MODEL_FERNET_KEY="<your-fernet-key>"
python conversion/onnx2bin.py --input .\work_dir\end2end.onnx --output .\work_dir\final_model.bin

python deployment/smooth_mask.py \
  ./input_images \
  ./outputs \
  --model ./work_dir \
  --smooth 3 \
  --expand 0 \
  --blur 7

输出文件：

• <image>_cld.jpg：原图云区轮廓叠加图。
• <image>_cld.txt：云像元、有效像元、云量比例和处理耗时报告。
• <image>_cld.tif：带空间参考的云掩膜 GeoTIFF。
• <image>_cld.shp：云区矢量边界 Shapefile。
• moni：文件夹批处理完成标记。

如果输入图像没有 .jpw 和 .prj，程序会按 0 级图像处理，只输出叠加图和云量报告。

Windows 示例：

cd deployment
pyinstaller packaging/main_windows.spec

Linux 示例：

cd deployment
bash packaging/pack_linux.sh

打包时需要确认 rasterio、pyogrio、GDAL_DATA、PROJ_LIB、Shapely/GEOS 等依赖路径与本机环境一致。

cd docker
docker compose up --build

默认挂载：

• docker/input_data -> /data/input
• docker/output_data -> /data/output
• docker/model -> /data/model

请自行放入 .onnx 或 .bin 模型文件，仓库不包含模型权重。

本仓库用于展示遥感云检测模型训练、转换和部署工程链路。真实数据、训练权重、ONNX 文件、加密 .bin 模型、交付密钥和构建产物均未上传。