企业官网建设流程全解析

简介：基于Python神经网络学习的SAR图像变化检测系统以zip压缩包形式发布，面向遥感图像处理、深度学习应用及SAR变化检测研究的开发者或学习者。系统采用深度学习模型对多时相SAR图像进行地表变化识别，覆盖数据预处理、模型训练、检测流程与前端可视化，可用于自然灾害监测、城市规划等场景。压缩包共195个文件，约3.07MB，主要包含Python脚本、PyTorch模型权重、Vue/JavaScript前端组件、SAR示例图像及Markdown/JSON文档，其中脚本与权重构成核心算法，前端文件提供可视化界面，示例图像便于直接测试。目前已有104人学习下载，附带的模型权重与测试数据，配合源码和说明文档，可快速复现变化检测流程，理解CNN在SAR图像应用中的实现思路。项目目录组织清晰，适合在此基础上进行参数调优或二次开发。

1. SAR图像变化检测为什么要用神经网络，这个 web.zip 能不能直接跑起来

拿到一个名为“基于python神经网络学习的SAR图像变化检测系统-web.zip”的压缩包，第一反应别急着双击解压。这类工程把“同一区域不同时间的两幅SAR图像，交给Python和神经网络模型去学习差异特征，最后在Web页面上输出变化区域”这件事串成了一条流水线，但它不是开箱即用的商业软件，而是一套带训练代码和Web演示脚手架的课题项目。你真正要先确认的是：SAR图像变化检测为什么不能继续用阈值分割，神经网络负责哪一段，以及这个Web系统到底是展示层还是生产工具。想清楚这三点，后面解压、跑通、再改造才不容易翻车。

2. 拆解架构与算法选型：双时相SAR影像到变化图的完整链路

无论zip包里的代码用哪种框架组织，SAR图像变化检测系统的处理主线基本固定：两幅配准后的影像进入预处理模块，模型对每个像素判断是否发生变化，再经后处理拿到最终变化掩膜，最后落到结果图和统计报表里。先把这个链路拆开，你会发现所谓“神经网络学习”只占其中一小段，但恰恰是决定精度的核心。

2.1 变化检测到底在检测什么：不是分割，是逐像素二分类

SAR图像变化检测，输入是同一地理区域两个时相的后向散射影像，通常记为图一和图二。输出是一张变化掩膜，每个像素只有0或1两个值：0表示没有变化，1表示发生了变化。它和常规图像分割最大的区别在于，分割任务需要识别目标类别，而变化检测只需要回答“这里变没变”，至于变成什么，很多系统不关心。

正因为只做二分类，类别不平衡问题被推到眼前。农田、森林、水域大范围区域可能几乎不变，变化像素往往只占整幅图的0.5%到5%。如果直接用像素准确率作为训练目标，模型只要把所有像素预测为“无变化”，准确率也能到95%以上。这是基于深度学习的变化检测项目最常见的翻车点，后面第三章会专门用损失函数来压它。

2.2 为什么用神经网络而不是阈值分割：相干斑噪声的锅

传统SAR变化检测有一套成熟方法：先对两时相影像做对数比或均值比，生成一张差异图，再对差异图做阈值分割。问题在于SAR影像是相干成像系统，带有大量颗粒状的相干斑噪声，同一个地物在不同时刻的灰度波动可能比真实变化还要大。用像素级灰度差判断变化，很容易把噪声点当成变化区域，也会漏掉整体灰度缓慢变化的真实目标。

神经网络之所以适合这个任务，是因为卷积结构天然利用局部邻域上下文。卷积神经网络是典型的前馈神经网络，上一层输出当作下一层输入，权重在空间上共享。对变化检测来说，卷积核相当于告诉模型“结合周围一个像素范围内的灰度关系来判断中心像素是否变化”，这比逐像素比较更有抗噪能力。U-Net这一类模型还会通过下采样获得更大的感受野，能够把“整片区域从农田变成建筑工地”这种空间一致的变化识别出来。

2.3 模型怎么选：双通道U-Net、孪生网络还是简单CNN

这类系统的模型选型一般有三种常见做法。

如果zip包里的训练代码不是U-Net，只是一个简单的三层卷积分类器，我的建议是优先换成“双时相拼接+U-Net”。这个方案的输入通道数是2，把两幅图当作图像的两个波段，模型在forward第一层时就会同时看到两幅图中心像素和周围邻域，变化信息可以提前在底层卷积里融合。

2.4 拿到 web.zip 先看四个文件：目录结构决定了你从哪一步接手

一套标准的变化检测系统web压缩包，通常会包含这些部分：

• data或dataset目录：两时相SAR影像样本、标签掩膜
• train.py或train.sh：模型训练入口
• web目录：Flask或Django应用，包含app.py、templates和static
• requirements.txt或environment.yml：Python依赖清单
• model.pth或weights目录：预训练权重文件，不一定存在

拿到包后不要直接运行train.py，先花五分钟确认三件事。第一，requirements.txt里的torch和flask版本和你本机是否兼容，尤其注意torch的CUDA版本；第二，data目录下有没有实际测试数据，没有数据的话就必须先准备Sentinel-1的切片；第三，web入口是否指向已经训练好的模型权重，如果模型文件缺失，web界面只能展示一个空框架。

实际操作时，我一般会先在项目根目录执行一行命令，确认是否有权重文件：

find . -name "*.pth" -o -name "*.pt"

如果输出为空，说明需要从训练阶段开始复现，而不是直接启动web。这不是坏消息，至少你能看清楚训练和推理的全过程。

3. 把模型跑起来：数据准备、PyTorch训练和Flask部署的可复现代码

一套能跑通的最小闭环包括四步：预处理、模型定义、训练、预测和web预览。下面所有代码用PyTorch和Flask写，这也是这类工程最常用的组合。为了避免代码和服务器环境互相影响，建议先建一个干净的conda环境：

conda create -n sar_change python=3.10 conda activate sar_change pip install torch torchvision flask rasterio scipy numpy

跑不动GPU也没关系，U-Net在CPU上也能训练，只是迭代会慢，后面把训练图片裁剪到256像素即可。

3.1 数据预处理：配准、裁剪、分位数归一化和标签掩膜

SAR影像预处理的第一原则是：两幅图必须在同一地理网格上。如果两幅影像的投影或像素尺寸不一致，直接送入网络会产生大量边缘假变化。常见的做法是用rasterio读取后先检查transform和crs，再统一重采样。下面这个函数处理的是已经完成配准的情况：

import rasterio import numpy as np def load_and_normalize(path1, path2, target_size=(256, 256)): with rasterio.open(path1) as src1, rasterio.open(path2) as src2: if (src1.crs != src2.crs) or (src1.transform != src2.transform): raise RuntimeError("两幅影像的投影或范围不一致，请先配准") img1 = src1.read(1).astype(np.float32)[:target_size[0], :target_size[1]] img2 = src2.read(1).astype(np.float32)[:target_size[0], :target_size[1]] def normalize_sar(img): p1, p99 = np.percentile(img, 1), np.percentile(img, 99) return np.clip((img - p1) / (p99 - p1 + 1e-6), 0, 1) return normalize_sar(img1), normalize_sar(img2)

逻辑说明：这里用分位数归一化而不是最小最大值归一化，因为SAR图像里经常存在角反射器、金属建筑等极亮目标，如果按min-max归一化，正常地表灰度会被压缩到很窄的区间，模型学不到细节。取1%和99%分位数相当于先把极值截断，再拉伸到0到1。如果两幅影像的投影不匹配，不要直接resize，应该用rasterio.warp.reproject或者gdal.Warp把影像重投影到同一网格，否则任何训练都白费。

标签掩膜不用归一化，直接保持0和1的uint8值即可，但裁剪位置必须和影像一致。常见的错误是影像和标签来自不同范围，尤其从不同网站上截取的片段。

3.2 定义神经网络：用PyTorch搭一个最小U-Net

U-Net结构在这个任务里非常合适，它一边下采样提取上下文，另一边上采样保留细节，中间用跳连接把浅层特征拼回来，能兼顾大范围变化和细碎边界。以下是一个最小可训练版本：

import torch import torch.nn as nn class SimpleUNet(nn.Module): def __init__(self, in_channels=2, base=32): super().__init__() self.enc1 = self._block(in_channels, base) self.pool1 = nn.MaxPool2d(2) self.enc2 = self._block(base, base * 2) self.pool2 = nn.MaxPool2d(2) self.enc3 = self._block(base * 2, base * 4) self.pool3 = nn.MaxPool2d(2) self.bridge = self._block(base * 4, base * 8) self.up2 = nn.ConvTranspose2d(base * 8, base * 4, kernel_size=2, stride=2) self.dec2 = self._block(base * 8, base * 4) self.up1 = nn.ConvTranspose2d(base * 4, base * 2, kernel_size=2, stride=2) self.dec1 = self._block(base * 4, base * 2) self.up0 = nn.ConvTranspose2d(base * 2, base, kernel_size=2, stride=2) self.dec0 = self._block(base * 2, base) self.out = nn.Conv2d(base, 1, kernel_size=1) def _block(self, in_c, out_c): return nn.Sequential( nn.Conv2d(in_c, out_c, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(out_c, out_c, 3, padding=1), nn.ReLU(inplace=True), ) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool1(e1)) e3 = self.enc3(self.pool2(e2)) b = self.bridge(self.pool3(e3)) d2 = self.dec2(torch.cat([self.up2(b), e3], dim=1)) d1 = self.dec1(torch.cat([self.up1(d2), e2], dim=1)) d0 = self.dec0(torch.cat([self.up0(d1), e1], dim=1)) return self.out(d0)

参数说明：in_channels取2，输入Tensor形状是(B, 2, H, W)，两时相影像的灰度值各占一个通道。base从32开始，显存不够就降到16。这里所有卷积都用kernel_size=3、padding=1，特征图尺寸不会变；只有池化和转置卷积改变空间尺寸。注意forward里解码部分用了torch.cat把上采样结果和对应编码器输出拼在通道维度上，这是U-Net保留高频细节的关键。

3.3 训练与评估：BCE+Dice损失、AdamW和验证指标的取舍

训练阶段要做三件事：定义数据集、选损失函数、设优化器。变化检测任务里正负样本严重不平衡，所以不能单独用二值交叉熵。下面代码同时计算BCE和Dice损失：

class SarDataset(torch.utils.data.Dataset): def __init__(self, img1_list, img2_list, mask_list): self.img1_list, self.img2_list, self.mask_list = img1_list, img2_list, mask_list def __len__(self): return len(self.mask_list) def __getitem__(self, idx): x = torch.stack([self.img1_list[idx], self.img2_list[idx]], dim=0) y = torch.from_numpy(self.mask_list[idx]).float().unsqueeze(0) return x, y def dice_loss(pred, target, smooth=1.0): prob = torch.sigmoid(pred) inter = (prob * target).sum() return 1 - (2 * inter + smooth) / (prob.sum() + target.sum() + smooth) criterion = torch.nn.BCEWithLogitsLoss(pos_weight=torch.tensor([10.0])) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4) for epoch in range(100): for x, y in dataloader: pred = model(x) loss = criterion(pred, y) + dice_loss(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 10 == 0: print(f"epoch {epoch}, loss {loss.item():.4f}")

这里BCEWithLogitsLoss的pos_weight取10，意味着出现“变化”这一正类时，损失贡献放大约10倍。如果正负样本比更悬殊，比如正类只有0.5%，可以把pos_weight提高到20，但要观察是否带来大量误检。AdamW比Adam更容易稳定收敛，学习率先用1e-4，如果loss震荡就降到3e-5。训练过程中不要只盯loss，还要在单独划分的验证集上计算IoU和F1，准确率在这里没有参考价值。

评估指标可以用下面这段代码实现：

def cal_metrics(prob, mask, threshold=0.5): pred = (prob > threshold).astype(np.uint8) mask = (mask > 0).astype(np.uint8) inter = (pred & mask).sum() union = (pred | mask).sum() iou = inter / (union + 1e-6) tp = (pred & mask).sum() fp = (pred & ~mask).sum() fn = (~pred & mask).sum() precision = tp / (tp + fp + 1e-6) recall = tp / (tp + fn + 1e-6) f1 = 2 * precision * recall / (precision + recall + 1e-6) return iou, f1

注意每轮训练都保留验证集上的F1最高的权重，不要用最后一个epoch的权重。模型训练完保存成model.pth，web服务加载时就靠这个文件。

3.4 模型预测与后处理：从概率图到变化图斑

推理阶段更简单，把两幅影像打包成(B,2,H,W)送入模型，输出的是未经过sigmoid的logits，需要先转成概率：

model.eval() with torch.no_grad(): logits = model(x) prob = torch.sigmoid(logits)[0, 0].numpy() change_map = (prob > 0.5).astype(np.uint8)

直接得到的二值图通常有很多孤立噪点，我一般会加一个形态学后处理：

from scipy import ndimage change_map = ndimage.binary_opening(change_map, iterations=1).astype(np.uint8) change_map = ndimage.binary_closing(change_map, iterations=1).astype(np.uint8)

逻辑说明：开运算先腐蚀后膨胀，用来去掉小于卷积核的孤立点；闭运算先膨胀后腐蚀，用来填充变化区域内部的小孔。如果最终变化区域很碎，还可以用ndimage.label统计连通域，删除面积小于20像素的块。阈值0.5是起步值，实际使用时应该在验证集上从0.3到0.7以步长0.05搜索，选择F1最高点作为最终阈值。

3.5 Web端接入：Flask上传两张图并返回变化结果

系统标题里带了web.zip，所以Web这一段不能少。最常见的做法是用Flask写一个单页接口，接收两张上传的PNG或TIF，调用模型得到变化图后直接返回图片：

from flask import Flask, request, send_file import io import numpy as np import torch from PIL import Image app = Flask(__name__) model = SimpleUNet(in_channels=2) model.load_state_dict(torch.load("model.pth", map_location="cpu")) model.eval() @app.route("/predict", methods=["POST"]) def predict(): f1 = request.files["img1"] f2 = request.files["img2"] img1 = np.array(Image.open(f1).convert("L"), dtype=np.float32) / 255.0 img2 = np.array(Image.open(f2).convert("L"), dtype=np.float32) / 255.0 x = torch.from_numpy(np.stack([img1, img2])).unsqueeze(0) with torch.no_grad(): prob = torch.sigmoid(model(x))[0, 0].numpy() change_map = (prob > 0.5).astype(np.uint8) * 255 buf = io.BytesIO() Image.fromarray(change_map).save(buf, format="PNG") buf.seek(0) return send_file(buf, mimetype="image/png")

这个接口有三个地方要注意。第一，如果上传的是TIF而不是PNG，要用rasterio打开而不是PIL，TIF里可能有多波段，读取前先确认波段顺序。第二，上传的影像尺寸如果和训练不一致，应先在接口里裁剪或重置，否则U-Net会因尺寸不匹配报错。第三，send_file返回的PNG没有地理参考信息，只适合浏览器预览，如果要做变化图套合到地图上，必须单独保存GeoTIFF并传给前端。

提示：如果只是想快速验证流程，先把两张图手动裁剪成256x256的PNG再上传，能省掉好多预处理排错。

4. 让模型在真实SAR数据上可靠：五个必调参数、三类边界场景和一条偷懒建议

训练脚本跑通只是起点，真实SAR数据和竞赛数据集差得很远。分辨率、轨道方向、季节物候都会让同一个模型从9成F1掉到不足5成。这一章把影响最大的参数和场景边界讲清楚。

4.1 五个必调参数：概率阈值、patch大小、学习率、损失权重、最小连通域

概率阈值是最容易获得收益的参数。常见做法是保存验证概率和标签后，用下面这段脚本搜索最佳阈值：

best_thr, best_f1 = 0.5, 0 for thr in np.arange(0.3, 0.75, 0.05): pred = prob > thr f1 = cal_metrics(prob, label, thr)[1] # 用前面定义的指标 if f1 > best_f1: best_f1, best_thr = f1, thr

patch大小影响的是视野。SAR变化检测中有些地物很大，比如整片森林砍伐，patch太小只能看到纹理，感受不到区域变化。我一般先用256x256跑通，之后在显存允许时试512x512，两者F1之差通常在5个百分点以上。

训练时还需要把学习率从固定值改成余弦退火，避免后期在损失平面来回震荡：

scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=100, eta_min=1e-5)

注意eta_min不要设成0，SAR数据噪声大，学习率降到0会让模型丧失微调能力。

损失权重是针对类别不平衡的终极手段。除了pos_weight=10，也可以在自定义dataset里对每个像素生成权重图，变化像素权重设为10、非变化像素权重设为1，效果更直接。但要注意权重过大会让网络把所有边界都判成变化，导致误检，所以权重一般不超过20。

4.2 三类边界场景：分辨率、入射角、季节变更

第一类是传感器分辨率不一致。Sentinel-1的影像重采样到10米，与高分三号5米级影像在纹理上差异很大。训练集用的是10米数据，直接在1米数据上推理时，模型会看到完全陌生的局部分布。解决方法是把测试影像重采样到训练时的地面采样距离，而不是简单缩放像素尺寸。

第二类是入射角和轨道方向。同一颗卫星升降轨影像的入射角可能相差20度以上，让同一片未变化区域的灰度差异看起来接近真实变化。如果训练数据来自降轨，测试却用升轨，误报会明显上升。常见做法是按轨道方向拆数据集，或者把入射角作为第三个通道传给网络。对web系统来说，最简单的是在数据准备阶段就过滤掉轨道方向不一致的影像对。

第三类是季节变化。农田从播种到收获，雷达后向散射特性会发生明显变化，但这种变化对灾害监测、建筑变更监测来说往往是“不想要的变化”。模型无法自动区分真实变化和季节差异，只能靠训练标签的分布约束。如果业务目标是城市变化，训练样本应尽量挑选同一季节的两个时相，或者把季节变化当作背景噪声加入训练集，而不是完全排除。

4.3 训练数据不足：借壳开放词汇变化检测的思路，先把伪标签跑起来

标注SAR影像变化非常费劲，动辄一个区域几千个像素级标签。最近这个领域常提到“开放词汇变化检测”，就是想用图文预训练模型把变化类别从固定集合扩展到开放集合，不再要求每个新增场景都重新标注。对SAR来说，直接套用开放词汇方案还很牵强，因为SAR是单通道灰度图，和日常照片分布差异太大，但我从中借鉴到一条偷懒建议：先用已有模型或者阈值法生成一版粗变化图，人工只修正明显的错误边界，再把这批“伪标签”作为训练数据加入迭代。

具体操作是，找一块目标区域的历史影像和近期影像，用一个训练好的U-Net跑出概率图，用较高阈值得到保守变化区域。然后把它叠加在影像上过一遍，把明显漏掉的大块变化手动画几笔，把明显误检的孤立点删掉，得到初版标签。再用它和原有标签混合训练，一般迭代两轮就能把你的系统从“只在原数据集上有效”拉到目标区域可用。

注意伪标签会放大模型自身的错误，所以每次迭代后要在真实标签上做验证，不能只看伪标签上的F1。

5. 避坑/常见问题/排查：从训练到Web部署的五条真实踩坑记录

这里每一节都是常见的工程翻车点，我按“现象、原因、解决”三条展开。

5.1 现象：训练loss不降，F1长期为零

你跑完20个epoch，打印出来的loss还在0.7左右，验证集F1始终是0，说明模型根本没办法把变化区域和背景分开。最常见的原因是影像和标签没有对齐，像素偏移2到10个点。SAR图像经过不同轨道和重采样后，文件范围经常出现半个像素到几个像素的平移，肉眼看不出来，损失函数却很敏感。

解决方法是先检查训练样本，把影像和标签按0.3透明度叠加，确认边缘位置是否一致。如果发现偏移，用相位相关法估计平移量：

from skimage.registration import phase_cross_correlation from scipy import ndimage # img1 和 label 是同一地区的二维数组 shift, error, phasediff = phase_cross_correlation(img1, mask) img1_aligned = ndimage.shift(img1, shift, order=1)

再用ndimage.shift把影像或标签移动到位。注意不推荐用resize来对对边界，因为会引入插值误差。

5.2 现象：训练集准确率99%，但预测结果全是背景

这种情况几乎可以确定是类别不平衡导致模型收敛到局部最优，把所有像素都预测成多数类。准确率这个指标在变化检测里是骗人的，正样本只占1%时，全预测为0也能拿到99%。

解决方法是按照第三章的写法，启用pos_weight或像素级权重，并将验证指标换成F1和IoU。同时可以每个batch打印当前batch中变化像素的占比，如果某个batch没有变化样本，训练信号等于零，应考虑在采样时让每个batch包含至少一张变化明显的样本。

5.3 现象：换一个地区后，模型输出一团黑

训练数据来自A区域，测试数据来自B区域，模型在A上F1有0.8，到B上几乎全黑或全白。根本原因是SAR影像的灰度分布受地形、湿度和传感器标定影响，A区域样本学到的统计特征在B区域不成立。这个问题不是简单调阈值能解决的。

解决方法是给系统做一层“归一化适配”：在推理前先统计当前影像的1%和99%分位数，如果和训练时的统计值相差太大，说明测试分布漂移，要用几个B区域的样本对模型进行微调，通常只需训练10个epoch、学习率降到1e-5。如果完全没有B区域的标签，也可以用无监督域适应，但效果不稳定，不如手动采几个小patch标一下。

5.4 现象：Web上传大图超时，浏览器转圈卡住

很多用户直接上传一张一万像素见方的大影像，Flask接收文件后如果直接把整张图送进模型，模型推理会占满内存和CPU，浏览器等几十秒得不到响应，前端认为超时。这是web系统性工程问题，不是模型问题。

解决方法是切块推理，再把结果拼接回去。下面是一个简化的切块循环：

H, W = full_img.shape patch_size, stride = 256, 192 result = np.zeros((H, W), dtype=np.float32) count = np.zeros((H, W), dtype=np.uint8) for i in range(0, H, stride): for j in range(0, W, stride): patch = full_img[i:i+patch_size, j:j+patch_size] # patch 比 patch_size 小就先填充，推理后裁掉 x = torch.from_numpy(np.stack([patch, patch2])).unsqueeze(0) with torch.no_grad(): prob_patch = torch.sigmoid(model(x))[0, 0].numpy() result[i:i+patch_size, j:j+patch_size] += prob_patch count[i:i+patch_size, j:j+patch_size] += 1 prob = result / np.maximum(count, 1)

这里stride小于patch_size，会让相邻块有重叠，拼接处更平滑。count记录每个像素被覆盖的次数，最终除以次数得到平均概率，避免拼接边缘有缝隙。web前端同时要限制上传文件大小，并在接口里增加异步提示，别让用户以为系统死了。

5.5 现象：变化图锯齿严重，面积统计总偏大

模型输出的概率图直接二值化后，边界表现为一个个方块，尤其是下采样次数多的小网络更明显。另一个表现是变化区域内部有一堆小孔，或者边缘碎块很多。如果后面要统计变化面积，这种结果是不可用的。

解决方法是做后处理，而不是只调模型。除了第三章提到的开闭运算，还可以做一次连通域面积过滤：

from scipy import ndimage labeled, num = ndimage.label(change_map, structure=np.ones((3,3))) sizes = ndimage.sum(change_map, labeled, range(1, num+1)) mask = sizes > 20 cleaned = mask[labeled - 1].astype(np.uint8) if num > 0 else change_map

核心思路是删除面积小于20像素的孤立变化块。若边界仍粗糙，可以使用CRF或简单的高斯边缘平滑，但在SAR应用里要注意别为了好看把真实的小型变化抹掉。

6. 进阶：给变化图算混淆矩阵，并让它可导出而不是停留在网页截图

很多演示web系统只输出一张PNG，但真实业务需要的是一个可以量化和追溯的结果。我的习惯是给系统加一个独立评估脚本，每次训练结束自动把验证集所有结果和标签保存为npy，然后计算多阈值下的IoU和F1，而不是只展示loss曲线。

# evaluate.py 片段 thresholds = np.linspace(0.1, 0.9, 17) records = [] for t in thresholds: pred = prob > t iou, f1 = cal_metrics(prob, label, t) records.append((t, iou, f1))

最终在web页面的结果区域旁边显示“当前阈值0.5，IoU 0.62，F1 0.74”三个数字，而不是用漂亮的颜色掩盖模型性能。这个习惯能帮你判断一个模型到底能不能上线。如果阈值从0.3到0.7变化时F1波动超过0.15，说明模型输出不稳定，需要先修训练数据。

变化图还需要保地理参考。如果web系统返回的都是一张PNG，换到GIS里就无法和矢量边界叠加。正确做法是推理时记录原影像的transform和crs，在生成结果后调用rasterio写回GeoTIFF：

with rasterio.open(result_path, 'w', driver='GTiff', height=prob.shape[0], width=prob.shape[1], count=1, dtype='uint8', crs=crs, transform=transform) as dst: dst.write((prob > best_thr).astype(np.uint8), 1)

最后一步，把系统里“概率阈值”“后处理最小面积”做成可调节参数，每次预测返回JSON时附带一个version字段。这样你下一次改了模型或参数，才能追溯某张结果图是哪个版本生成的，不至于过两天对着变化图说不出来龙去脉。

我第一次做这类变化检测系统时，为了展示效果把概率阈值故意调低，演示看起来变化区域很全，结果到验收阶段发现误报率高出两倍。从那以后我要求系统里必须有验证指标和版本记录，模型不行就不拿出来演示。这条习惯帮我避开了很多后续麻烦，希望帮到你。

本文还有配套的精品资源，点击获取