目录
1、简介
2、程序介绍
3、注意事项（全景图≠四方图）
3、主界面
4、参数配置
5、语义分割结果示例图
6、语义分割结果
1、简介
街景语义分割本地程序，无需配置任何环境，无需编程基础，开箱即用，零基础小白照样学得会。
适用群体：面向地理、建筑、城乡规划、设计、景观、风景园林等专业，重点在于使用模型，而不是训练模型。
⭐️模型：高精度Mask2Former语义分割模型。
⭐️三个数据集：
ADE20K：150 类，通用场景，街道场景。
Cityscapes：19 类，街道场景。
Mapillary Vistas：66类，街道场景，更加细分，能识别出车道线、井盖等要素。
推荐使用ADE20K或者Mapillary Vistas。
⭐️优势：
- Mask2Former 比 FCN、PSPNet、Deeplab v3+模型效果都更好！
- 开箱即用，无需配置环境！
- 四方图、全景图、手机相机无人机拍的图都可以使用！
- 多数据集ADE20K（150类）、Cityscapes(核心19类)、Mapillary Vistas（66类）,适用场景丰富！
- 提供带标签的掩膜图片！
2、程序介绍
本地化 Mask2Former 街景语义分割程序，可批量识别照片中的天空、建筑、道路、树木、车辆等要素，并生成彩色分割图、带类别名称的预览图和类别占比 CSV。程序支持 ADE20K、Cityscapes、Mapillary Vistas 三套数据集，适合街景观察、场景构成分析及后续数据整理。
3、注意事项（全景图≠四方图）
全景图和四方图的类别百分比不能套用同一个公式。普通照片、四个方向的透视图及其横向拼接图，按“该类别像素数 ÷ 图像总像素数”计算。完整的 2:1 等距柱状全景图则按球面面积加权：不同纬度的像素代表的球面面积不同，先计算各类别对应的球面面积，再除以球面总面积。程序提供自动、普通图和全景图三种统计方式；自动模式按图片尺寸判断，因此横向拼接图即使恰好是 2:1，也应手动选择“普通图”。2:1 是标准全景图的尺寸条件，不能单凭宽高比证明它采用全景投影。
3、主界面
后续图文均以ADE20K数据集为例。
主界面左侧管理待处理图片，中间并排预览原图与语义分割结果，右侧集中设置数据集、统计方式和输出内容。处理过程中可以翻看图片、查看占比最高的类别、打开类别详情，并通过底部进度和控制台了解当前任务状态。预览还支持透明度调整及全屏查看，便于检查类别边界和局部识别效果。
4、参数配置
在参数区，先选择适合图片场景的数据集，再根据图片的实际投影类型选择类别百分比计算方式。输出内容可分别勾选纯色 PNG、无标签掩膜、有标签掩膜和类别百分比 CSV；“追加续跑”用于继续已有任务，“重新计算”用于重新处理本轮图片。高级参数还提供运行设备和图像尺寸策略等设置。若使用百度街景完整标准全景图，可按需要单独开启底部车辆替换；四方图不适用该选项。
5、语义分割结果示例图
示例图将原始街景照片与分割结果并排展示。右侧用不同颜色区分树木、道路、建筑、天空、行人等类别，并在画面上标出类别名称。这样既能直观看到模型把哪些区域归为同一类，也方便对照原图检查树冠边缘、路面和远处建筑等位置的识别情况。
6、语义分割结果
完成处理后，结果目录中可查看纯色 PNG 分割图、带类别名称的 JPG 预览图，以及记录每张图片各类别占比的 CSV。PNG 便于后续图像处理和核对分割区域，JPG 便于人工查看，CSV 则可用于筛选、汇总和比较不同街景的场景构成。
