SkySeaLand

SkySeaLand是一个专为卫星图像中陆海交通目标检测设计的公开基准数据集，由孟加拉国绿色大学和乔治梅森大学联合创建。该数据集包含1,307张高分辨率卫星图像，共19,101个标注边界框，涵盖飞机、船只、汽车和船舶四个类别，并同时提供COCO和YOLO格式的标注文件。数据主要来源于谷歌地球，通过人工筛选去除噪声和云层覆盖图像，使用CVAT和Roboflow进行标注与二次验证，最终形成训练、验证和测试集。该数据集旨在解决现有航空基准中陆海交通类别分离、标注格式不统一以及宽幅图像处理困难的问题，为轻量化检测模型提供紧凑的测试平台。SkySeaLand is a public benchmark dataset specifically designed for land and sea traffic object detection in satellite imagery, jointly created by Green University of Bangladesh and George Mason University. This dataset contains 1,307 high-resolution satellite images, with a total of 19,101 annotated bounding boxes, covering four categories: aircraft, vessels, cars, and ships. It also provides annotation files in both COCO and YOLO formats. The data is mainly sourced from Google Earth, with noisy and cloud-covered images removed via manual screening. Annotation and secondary verification were conducted using CVAT and Roboflow, finally forming the training, validation, and test sets. This dataset aims to address the issues of separated land and sea traffic categories, inconsistent annotation formats, and difficulties in wide-format image processing in existing aviation benchmarks, providing a compact test platform for lightweight detection models.

原始信息汇总

SkySeaLand 卫星目标检测数据集

基本信息

• 数据集名称：SkySeaLand Satellite Object Detection Dataset
• DOI：10.17632/d42n3cp86p.3
• 版本：Version 3（发布于2025年12月15日）
• 贡献者：Riad Md Zahid Hasan Riad、Md Sultanul Islam Ovi
• 机构：Green University of Bangladesh
• 许可协议：CC BY 4.0
• 下载大小：262 MB（压缩包）

数据集简介

该数据集旨在支持卫星图像中交通相关目标的检测研究，通过清晰一致的标注实现稳定准确的检测效果。数据集覆盖飞机（airplane）、船（boat）、汽车（car）和轮船（ship） 四类目标，场景包括机场、高速公路、港口、码头和沿海区域，涵盖不同背景、目标尺度和环境条件，有助于研究模型在真实卫星场景下的性能表现。

数据收集与处理方法

1. 图像来源：使用Google Earth Pro在合理使用和学术研究指南下收集。
2. 筛选过程：人工探索候选区域并以高分辨率导出；随后对每张图像进行清晰度、相关性和目标存在性审查，去除重度噪声、强云层覆盖或重复视角的图像。
3. 预处理：必要时进行裁剪和调整大小，保持视觉质量并聚焦相关区域。
4. 标注工具：使用CVAT和Roboflow进行标注，每个目标实例用边界框标记并分配四类标签之一。
5. 质量验证：进行单独的验证轮次，确保边界框位置一致性和类别分配正确性。

数据集结构

• 标注格式：所有最终标注存储在单个COCO格式JSON文件中，遵循标准目标检测结构。
• 数据划分：图像按训练、验证和测试集分为独立文件夹，划分为80%训练、10%验证、10%测试。
• 相关链接：
  • Roboflow项目：https://universe.roboflow.com/objectdetection-tecsf/skysealand-wrqjn
  • Kaggle数据集：https://www.kaggle.com/datasets/mdzahidhasanriad/skysealand

数据使用说明

数据集可通过加载COCO JSON文件、读取类别标识符并映射到四类目标来解释。每个标注条目提供边界框坐标和类别信息，可直接用于常见计算机视觉库。研究者可利用此数据集测试模型在陆地和海洋场景中的泛化能力、评估多类检测性能、研究小目标行为、比较检测架构，以及探索航拍影像中的迁移学习策略。

使用与引用信息

• 查看次数：373
• 下载次数：90
• 引用格式：Md Zahid Hasan Riad, Riad; Ovi, Md Sultanul Islam (2025), "SkySeaLand Satellite Object Detection Dataset", Mendeley Data, V3, doi: 10.17632/d42n3cp86p.3
• 历史版本：Version 1（2025年11月26日）、Version 2（2025年11月26日）

搜集汇总

数据集介绍

构建方式

卫星遥感影像中的目标检测长期受制于小目标与宽幅场景的挑战，传统正方形缩放策略往往导致细节丢失。为此，SkySeaLand数据集应运而生，精心汇集了来自Google Earth Pro的1,307幅高分辨率卫星图像，覆盖机场、高速公路、港口、码头及沿海区域等多样地理环境。通过CVAT和Roboflow工具，对飞机、船只、汽车及船舶四类交通目标进行了精确的轴对齐边界框标注，并经过双重人工校验以确保标注质量。数据集被划分为训练集（1,048幅）、验证集（132幅）和测试集（127幅），并提供COCO与YOLO两种原生标注格式，便于研究者直接使用。

使用方法

SkySeaLand的使用极为便捷，其双格式标注（COCO JSON与YOLO文本）使研究者可直接应用于主流检测框架，如Ultralytics YOLO或COCO评估工具，无需额外转换。基准测试中，研究者采用640×640的letterbox预处理以保留原始宽高比，并评估了包括YOLO、RT-DETR、DETR及Faster R-CNN在内的十二种检测器。特别地，数据集附带的SkyDet模型（1.22M参数）提供了一个超轻量级基线，其性能（mAP50 60.5%）与超低存储占用（4.90MB）展示了在资源受限场景下的巨大潜力，为后续低算力卫星检测研究树立了参照标杆。

背景与挑战

背景概述

SkySeaLand数据集由孟加拉国绿色大学的Md. Zahid Hasan Riad与乔治梅森大学的Md Sultanul Islam Ovi等人于2026年构建并发布，旨在填补卫星遥感目标检测领域内陆地与海上交通场景联合标注的空白。该数据集整合了1,307幅高分辨率卫星图像，涵盖飞机、船只、汽车及船舶四类共计19,101个标注框，并同时提供COCO与YOLO格式的标注文件，为多场景交通目标检测提供了统一的评测基准。其图像以宽幅大尺寸为主，84.5%的图像最长边超过3,836像素，73.1%的图像接近3:1宽高比，这一特性对现有检测器在非标准几何输入下的鲁棒性提出了严峻考验。该数据集的发布为卫星图像目标检测领域贡献了首个专为海陆交通场景设计的紧凑型基准，并配套提出了超轻量级检测基线SkyDet，为资源受限环境下的实时检测提供了全新参考。

当前挑战

SkySeaLand数据集所面临的挑战涵盖领域核心难题与构建过程中的多重障碍。领域层面，卫星图像中小目标密集、场景宽幅非正方形，常规方形缩放或填充预处理会导致目标变形或大量无效计算，严重制约检测精度；现有检测器在参数规模增大时并未带来一致的精度提升，而低参数区域（如2M以下）的性能表征长期缺失，使得轻量级模型的设计与评估缺乏可靠参照。构建过程中，从Google Earth Pro采集的原始图像需经过人工筛选以移除噪声、云层覆盖及重复视角，且需在CVAT与Roboflow工具间流转完成边界框标注与二次校验，确保类别分配与框位精确无误；此外，图像尺寸跨越大（从数百像素到数千像素），宽高比分布极不均衡，如何设计均衡的划分策略并保证各子集间尺度分布一致性成为额外挑战。这些因素共同构成了数据集开发与后续算法评测的核心难点。

常用场景

经典使用场景

SkySeaLand数据集在遥感图像目标检测领域具有独特的应用价值，其核心使用场景聚焦于陆地与海洋交通目标的联合检测。该数据集收录了1307幅高分辨率卫星图像，涵盖飞机、船只、汽车及船舶四类交通目标，共计19101个精确标注的边界框，并同时提供COCO与YOLO两种主流标注格式，极大便利了研究者的直接使用。数据集的突出特点在于其图像几何形态——84.5%的图像最长边超过3836像素，73.1%的图像宽高比接近3:1，这种宽幅、高分辨率的特性对传统方形输入缩放的检测框架构成了严峻挑战，成为检验检测算法在非标准几何场景下性能的绝佳试金石。因此，SkySeaLand常被用于评估和比较不同目标检测器在宽幅遥感影像上的鲁棒性与精度表现。

解决学术问题

该数据集有效填补了现有遥感基准中缺乏专门面向陆海交通混合场景的空白。以往如DOTA、DIOR等数据集虽涵盖多类目标，但均未将陆地与海洋交通类别整合于统一的标签空间，且未同时提供COCO与YOLO双格式标注。SkySeaLand的发布解决了这一学术痛点，为研究者提供了一个紧凑而专用的基准，用以探讨宽幅图像下小目标检测、长宽比畸变及预处理策略等核心问题。此外，数据集附带的多检测器基准评测揭示了现有模型在参数量增大时精度提升不显著的现象，为模型效率研究提供了实证依据。其引入的超轻量级基线SkyDet（仅1.22M参数）更是为低算力场景下的检测研究设定了参考点，推动了资源受限条件下目标检测的学术探索。

实际应用

在实际应用层面，SkySeaLand的陆地与海洋交通目标检测能力具有广泛的落地场景。在交通管理领域，该数据集可用于监测高速公路车流密度、识别机场停机坪飞机分布，辅助智能交通调度与机场运营管理。在海洋监控方面，通过对港口、码头及沿海区域的船只与船舶检测，能够支持海上交通流量统计、非法捕捞监测及海事安全预警系统。此外，该数据集对宽幅影像的适应性使其在边境巡逻、灾害应急响应（如洪水区域船只搜救）及城市规划中亦具应用潜力。其轻量级检测器SkyDet的小体积与高帧率特性，更是为星载或无人机载嵌入式平台的实时目标识别提供了可行方案，促进了遥感技术在移动端和边缘设备上的实际部署。

数据集最近研究

最新研究方向

SkySeaLand数据集的推出标志着卫星遥感目标检测领域对宽幅场景与轻量化模型协同优化的前沿探索。该数据集聚焦于陆海交通目标的联合检测，其独特的宽幅几何特性（73.1%图像接近3:1纵横比）直接挑战了传统方形输入缩放导致的信息损失问题，为研究宽幅遥感影像的高效预处理策略提供了标准化测试平台。当前研究热点围绕多尺度特征融合、小目标定位精度的提升以及亚2M参数超轻量级检测器的性能边界展开，SkyDet基准的建立不仅量化了5MB存储约束下的精度保留水平，更推动了边缘计算场景下卫星遥感实时分析技术的可行性与部署潜力的探讨。

相关研究论文

• SkySeaLand: A Wide-Format Satellite Transportation Benchmark with an Ultra-Lightweight Detection Baseline

  孟加拉国绿色大学; 乔治梅森大学 · 2026年