SAM地图边界分割识别模型训练产品系统Vibe Coding

在智慧农业、土地确权、农业保险定损、种植补贴核查等场景中，农田地块边界是核心空间数据。传统做法依赖人工在遥感影像上勾绘，效率低、成本高，且不同分辨率卫星影像下边界一致性差。本项目面向基于卫星 RGB 影像的农田地块自动分割与矢量化需求：输入 GeoTIFF 遥感影像，自动输出带地理坐标的地块多边形（GPKG），用于替代或辅助人工勾边，提升大面积农田边界提取的效率与可重复性，适用于中高分辨率（如约 0.5–10 m）多源卫星影像场景。

影像输入与校验：支持将 RGB GeoTIFF 放入指定目录批量处理；自动检查多景影像投影与像元尺寸一致性，避免拼接错误。
自适应分块推理：按影像地面分辨率自动选择 256×256 或 512×512 滑窗及步长；TileLoader 负责 GDAL 分块、批处理与 NoData 处理。
实例分割与栅格化：基于 YOLO 实例分割（Ultralytics），对每块预测掩膜做连通域筛选、面积与置信度过滤，生成实例 ID 栅格与置信度栅格。
跨块/跨景合并：在滑窗重叠带用 find_edge_mapping 检测相邻地块 ID 对应关系，经并查集 IDMapper 统一编号，消除切块边界断裂。
多影像拼接：多景 TIFF 时按空间范围合并实例栅格，再次做 ID 映射与置信度优选。
矢量化输出：GDAL Polygonize 将栅格转为 GeoPackage 矢量层，并按面积阈值清理碎斑，输出 result.gpkg 供 GIS 使用。
模型与参数可配：提供小模型（model-s.pt）与大模型（model.pt）切换；可调整置信度阈值、批大小等推理参数。

整体推理流水线设计与实现，包括分块加载、YOLO 推理调度、实例栅格写入、跨块 ID 合并、多源影像拼接、矢量化与结果清理等核心模块。

技术栈与架构：Python + PyTorch + Ultralytics YOLO；地理空间处理采用 GDAL/OGR（GeoTIFF 读写、投影保持、Polygonize、GPKG 输出）；图像后处理使用 OpenCV、NumPy；进度与日志用 tqdm、logging。