LEVIRDet-159

LEVIRDet-159是迄今为止最大、最全面的遥感对象检测数据集，包含159个类别、约256万个边界框和约70万个细粒度注释，采用多级分类法。它在每个关键尺度维度上超过现有最大的遥感对象检测数据集，包含约7倍多的图像、6倍多的对象实例和4倍多的类别。该数据集支持跨传感器、空间分辨率和类别系统的通用遥感对象检测。

原始信息汇总

数据集概述

LEVIRDet 是一个面向通用遥感目标检测的大规模数据集与基础模型项目。

核心数据集：LEVIRDet-159

• 规模：包含约 256 万个边界框，覆盖 159 个类别，是当前规模最大、最全面的遥感目标检测数据集。
• 细粒度标注：拥有约 70 万个细粒度标注，尤其扩展了飞机、车辆和船舶等类别。
• 多层级分类体系：采用多层级分类法对目标进行分类。
• 数据维度：在图像数量、目标实例数量和类别数量上，分别约为现有最大遥感检测数据集的 7倍、6倍和4倍。
• 覆盖范围：涵盖全球区域、多种成像条件、多种传感器以及广泛的物体尺寸，包含 30 个常见父类别。

基础模型：LEVIRDetNet

• 特性：是一个尺度层次感知的检测基础模型，旨在跨传感器、空间分辨率和分类体系运行。
• 核心组件：
  1. 在线GSD预测器：从输入图像中估算地面采样距离。
  2. GSD引导的查询嵌入与选择：在不同空间分辨率下动态调整和分配查询。
  3. 层次感知检测头：支持混合粒度监督和分类体系迁移。

性能表现

• 跨域泛化能力：在无需目标域训练或微调的情况下，LEVIRDetNet 在 9 个外部基准测试 上均取得了最先进的检测性能。
• 平均性能提升：在每个数据集的主要指标上，比最强的全监督方法平均提升 5.02 mAP。
• 基准测试结果示例（主要AP指标）：
  • ADCOS: 83.60
  • UCAS-AOD: 80.40
  • HRPlane-v2: 81.92
  • CORS-ADD: 72.06
  • SkyFusion-plane: 98.27
  • VHRV: 73.55
  • SkyFusion-ship: 60.39
  • NWPU: 76.04
  • CarPK: 98.79
  • 平均: 80.56

演示与资源

• 交互式演示：提供在线演示，包括目标检测、细粒度目标检测和超宽区域目标检测：https://qinzheyang.github.io/LEVIRDet/levir-demo/
• 发布状态：完整图像、标注、代码和训练模型计划随最终论文一起发布，地址为：https://qinzheyang.github.io/LEVIRDet/

搜集汇总

数据集介绍

构建方式

LEVIRDet-159数据集的构建源于对遥感目标检测领域现有基准碎片化问题的深刻洞察。研究团队系统性地整合了来自全球不同区域、多种成像条件与传感器的遥感影像，并通过精细化的多层次分类体系进行标注。该数据集涵盖了159个类别，包含约256万个边界框及近70万个细粒度标注，特别扩充了飞行器、车辆和船舶等细分类目。在构建过程中，团队不仅确保了图像数量、实例数量和类别规模分别达到现有最大数据集的约7倍、6倍和4倍，还通过严格的源许可清单管理，保障了数据的合规性与可复现性。

特点

LEVIRDet-159数据集的核心特色在于其前所未有的规模与层次化精细度。它横跨30个常见父类别与159个细分类别，覆盖了全球区域、多样成像条件、多传感器类型及广泛的物体尺寸范围，打破了现有基准在类别、空间分辨率和传感器上的局限。数据集内嵌的多层次分类体系不仅支持粗粒度识别，更通过约70万细粒度注释实现了对特定目标的精细解析。此外，其搭配的LEVIRDetNet探测器具备在线地物采样距离预测与层次感知检测头，能在无需目标域训练的情况下，在9个外部基准上达到最优性能，展现了卓越的跨域泛化能力。

使用方法

LEVIRDet-159数据集与LEVIRDetNet模型的正式发布计划随最终论文一同推进。届时，完整的图像切片、紧密水平边界框标注、多层级分类注释以及训练与评估代码将被整合到版本化的项目仓库中。使用者可通过项目主页的交互式演示系统预先体验目标检测、细粒度识别及超广域检测功能，并在代码发布后通过git克隆仓库、运行标准安装流程获取完整工具链。研究团队强调，所有资源将附带清晰的使用许可说明，确保用户能合法且高效地利用该数据集进行遥感检测基础模型的训练、微调与基准测试工作。

背景与挑战

背景概述

遥感目标检测领域长期受困于数据集规模有限、类别覆盖狭窄及跨传感器泛化能力不足的瓶颈，现有基准大多聚焦于特定分辨率、单一传感器或数十个粗粒度类别，难以支撑通用型检测模型的发育。为破解这一困局，由Qinzhe Yang等研究者于2026年构建的LEVIRDet-159数据集应运而生，该数据集以159个细粒度类别、约256万边界框及70万级层次化标注的庞大规模，一举成为当前最全面的遥感检测基准，其图像数量、实例规模和类别数分别达到此前最大数据集的7倍、6倍和4倍，为统一多传感器、多分辨率下的通用目标检测提供了数据基石与评估平台。

当前挑战

LEVIRDet-159面临的核心挑战在于：其一，遥感影像中目标尺度剧烈变化、成像条件复杂多样，传统检测器难以在跨传感器、跨分辨率的场景下保持稳定精度，亟需设计能自适应空间分辨率的尺度感知模型；其二，构建过程需兼顾159类目标的细粒度区分与层次化标注一致性，在约700k精细框的标注中需解决小目标多、类别间视觉模糊等难题，同时融合不同传感器、全球区域的多源影像并确保标注质量与许可合规，对数据整合与质量管控提出极高要求。

常用场景

经典使用场景

在遥感图像智能解译领域，LEVIRDet-159数据集最经典的使用场景是作为通用遥感目标检测的预训练与基准评估平台。其囊括159个类别、约256万标注框的庞大规模，配合涵盖30个父类别的层级化细粒度标注体系，使得研究者能够在该数据集上训练具备跨传感器、跨分辨率泛化能力的全光谱检测模型。LEVIRDetNet正是基于此数据集设计的尺度层级感知检测基础模型，通过在线地面采样距离预测、GSD条件查询调制与分配，以及层级感知检测头等创新模块，实现了对多源遥感影像中飞机、车辆、船舶等复杂目标的统一检测。该数据集为验证模型在多样化成像条件、全球区域覆盖下的鲁棒性提供了无与伦比的测试环境。

解决学术问题

LEVIRDet-159数据集解决了遥感目标检测领域长期存在的碎片化困境——现有基准多局限于有限类别、固定空间分辨率或单一传感器类型，导致检测器难以在不同成像系统和类别体系间迁移。该数据集以约7倍于既有最大数据集的图像量、6倍实例数和4倍类别数的超大规模，填补了百万级多类别遥感检测标注的空白。学术意义上，它为跨领域零样本泛化研究提供了关键支撑：基于该数据集训练的LEVIRDetNet在无需目标域微调的情况下，在9个外部基准上以平均5.02 mAP的提升超越最强监督方法，从根本上改变了通用检测器对特定领域标注的依赖，推动了遥感感知向更加通用化、模块化的范式演进。

衍生相关工作

基于LEVIRDet-159数据集的发布，一系列标志性衍生工作应运而生。其中核心成果是LEVIRDetNet模型，它开创性地将在线GSD预测与层级感知检测头结合，形成跨域通用检测基座。该成果催生了多个研究方向：在尺度适应方面，研究者借鉴其GSD调制机制，发展出面向变分辨率遥感影像的自适应特征金字塔架构；在类别体系迁移上，基于其多层级标注的层次化分类损失设计，被后续工作广泛采纳用于开放世界目标检测。此外，LEVIRDet-159还作为评估基准，推动了YOLOv12x、DEIMv2等主流检测框架在遥感领域的针对性优化，并激发了关于无目标域训练泛化界理论的探讨，形成了一系列关于通用遥感感知的突破性学术贡献。