用深度学习搞定卫星图，从数据到模型一站通
这是一个专注于卫星与航空影像深度学习技术的开源项目，汇集了针对地球观测数据的卷积神经网络、数据集构建、图像分类等核心方法。它解决了遥感领域缺乏系统化深度学习实践指南的问题，为研究人员和工程师提供了从数据准备到模型训练的完整技术路径。项目涵盖多种主流深度学习架构在遥感影像上的应用，包括场景分类、目标检测和语义分割等任务，并整理了公开可用的遥感数据集资源。其核心能力在于将计算机视觉前沿技术与地理空间数据特性相结合，提供可复现的实验方法和代码示例，帮助用户快速上手遥感影像分析。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆仓库到本地
把 techniques 仓库下载到本地，README 内容很长，本地打开更便于反复检索。README 未给出安装命令，此为通用克隆操作。
git clone https://github.com/satellite-image-deep-learning/techniques.git2进入仓库目录
切换到克隆下来的目录，确认其中存在 README.md 文件。
cd techniques3浏览目录结构
查看仓库文件列表，确认这是一个以 README 文档为主的技术索引仓库。
ls4打开 README
用编辑器或浏览器打开 README.md，按 Techniques 目录定位感兴趣的任务章节。
cat README.md5用查找定位技术
README 明确建议用 Command + F（Mac）或 CTRL + F（Windows）搜索关键词，例如 SAM，快速跳到对应条目。
6访问官方站点
README 顶部给出官网链接，可按需访问获取更集中的资料入口。
本地能看到 README.md 并正常打开，浏览器能访问 satellite-image-deep-learning.com，即表示已获取到项目全部内容。
Q：这个项目需要 pip install 或 docker 安装吗？
A：不需要。README 中没有任何安装依赖的说明，它是遥感深度学习技术、模型与数据集的索引清单，本身不含可运行代码。
Q：怎么快速找到某个技术或模型？
A：README 明确说明使用 Command + F（Mac）或 CTRL + F（Windows）搜索页面关键词，例如输入 SAM 即可定位相关条目。
Q：仓库里有训练代码可以直接跑吗？
A：README 只提供 Techniques 等章节的分类链接与资源索引，具体代码和方法都在其指向的各个外部仓库中。
Q：支持哪些任务方向？
A：README 目录列出分类、分割、目标检测、回归、云检测与去除、变化检测等方向。
Raster Vision、TorchGeo、DeepSat
techniques 是计算机视觉领域的开源项目，由 satellite-image-deep-learning 开发，2018 年首次发布。
在全站 13,109 个收录项目中，它的 GitHub 星标数（10,265）位列前 5%，在计算机视觉分类的 447 个项目里位列前 6%。
近 41 天，它的 GitHub 星标从 10,231 增加到 10,265，净增 34。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0 许可证，可免费使用、修改和分发，无付费版本。
它主要面向的使用场景是：科研人员快速入门遥感影像深度学习。同类可对比的替代方案包括 Raster Vision、TorchGeo、DeepSat。
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档
Olympus
开源
一个路由搞定所有视觉任务，免去逐个微调
[CVPR 2025 Highlight] Official code for "Olympus: A Universal Task Router for Comput···