Git-RSCLIP遥感分类结果导出教程：CSV置信度表+可视化报告一键生成

Git-RSCLIP遥感分类结果导出教程：CSV置信度表+可视化报告一键生成

1. 为什么你需要这个导出功能

你刚用Git-RSCLIP跑完一批遥感图像分类，界面上看到了漂亮的置信度条和排名——但接下来呢？
想把结果发给同事复核？需要写进项目报告？要导入GIS软件做空间分析？或者交给客户看一份正式的交付文档？

这时候你会发现：界面上的结果只是“看得见”，却“带不走”。复制粘贴效率低、容易出错，手动整理几十张图的置信度数据更是耗时又枯燥。

别担心，这正是本教程要解决的问题。
Git-RSCLIP镜像其实内置了一套完整的结果导出能力，但默认界面没直接暴露按钮——它藏在后端逻辑里，等你用对方法唤醒。
本文将手把手带你：
一键导出所有分类结果为标准CSV表格（含图像名、候选标签、置信度、排名）
自动生成带图表的PDF可视化报告（含置信度分布、Top-3标签热力图、典型样本截图）
在Jupyter环境中快速调用，无需改模型代码、不重装环境
兼容单张图和批量图像任务，适配真实业务场景

整个过程不到2分钟，小白也能照着操作成功。

2. 导出前的准备工作

2.1 确认环境已就绪

Git-RSCLIP镜像启动后，先确认服务正常运行：

supervisorctl status

你应该看到类似输出：

git-rsclip RUNNING pid 1234, uptime 0:15:22

如果状态不是RUNNING，请先执行：

supervisorctl restart git-rsclip

小提示：导出功能依赖模型推理服务，务必确保git-rsclip进程处于运行中。服务日志位于/root/workspace/git-rsclip.log，如有异常可查看报错信息。

2.2 准备你的分类任务数据

导出功能支持两种输入方式，按需选择：

• 方式A：使用Web界面已完成的分类结果
  你已在Gradio界面上传图像、输入标签、点击“开始分类”并看到结果页。此时结果已缓存在内存中，可直接导出。

• 方式B：通过脚本批量分类后导出
  你使用Python脚本调用模型API完成批量推理（例如处理一个包含50张遥感图的文件夹）。这种情况下，需先保存推理结果到本地变量或JSON文件。

本教程以方式A（Web界面结果）为主，因其最常用、门槛最低；文末会补充方式B的适配说明。

2.3 进入Jupyter工作区

打开浏览器，访问你的实例Jupyter地址（端口替换为8888）：

https://gpu-{实例ID}-8888.web.gpu.csdn.net/

注意：导出功能在Jupyter中执行，不是在Gradio界面里操作。Gradio只负责推理展示，Jupyter才是“数据出口”。

进入后，新建一个Python Notebook（.ipynb），我们将在其中编写导出代码。

3. 一键导出CSV置信度表

3.1 加载内置导出模块

Git-RSCLIP镜像已预装专用导出工具包，无需额外安装。在Notebook第一个cell中运行：

# 导入导出核心模块 from git_rsclip.export import export_classification_results # 检查模块是否可用 print("导出模块加载成功 ")

如果看到提示，说明环境准备完毕。若报错ModuleNotFoundError，请重启内核后重试（Kernel → Restart Kernel）。

3.2 获取当前Web界面的分类结果

Git-RSCLIP将每次Web分类的结果临时保存在内存中。执行以下代码读取最新一次结果：

# 读取最近一次Web界面分类结果 results = export_classification_results.get_latest_web_result() if results is None: print(" 未检测到Web界面分类结果，请先在Gradio界面完成一次分类操作") else: print(f" 成功读取 {len(results)} 张图像的分类结果") print(f"示例图像名：{list(results.keys())[0]}") print(f"对应标签数：{len(results[list(results.keys())[0]])} 个")

小技巧：如果你做了多次分类，该函数默认返回最后一次的结果。如需导出历史某次结果，可传入时间戳参数（详见文末进阶说明）。

3.3 导出为标准CSV文件

执行导出命令，生成结构清晰的CSV表格：

# 执行导出（默认保存到 /root/workspace/export/ 目录） csv_path = export_classification_results.to_csv(results) print(f" CSV文件已生成：{csv_path}") print("文件包含列：image_name, label, confidence, rank, timestamp")

导出的CSV内容长这样（实际为表格，此处用文字示意）：

特点说明：

• 每行代表一个“图像-标签”组合，方便Excel筛选、数据库导入
• confidence为0~1之间的浮点数，数值越高表示匹配越强
• rank是该图像下所有候选标签中的排序（1=最高）
• 支持中文路径和文件名，无乱码风险

3.4 下载CSV到本地电脑

在Jupyter左侧文件浏览器中，依次展开：
root→workspace→export→ 找到刚生成的classification_results_*.csv文件
右键点击 →Download，即可保存到你本地电脑。

提示：文件名含时间戳（如classification_results_20240615_142231.csv），避免覆盖。

4. 生成可视化报告（PDF）

4.1 为什么PDF报告比CSV更有价值？

CSV是数据底稿，而PDF报告是可交付成果：

• 给领导看：一页呈现整体分类质量（平均置信度、Top-1准确率）
• 给客户看：带截图的直观说明（哪张图被识别为“机场”，置信度多少）
• 给自己看：快速发现异常（某张图所有标签置信度都低于0.3，可能图像质量差）

Git-RSCLIP的PDF报告自动生成，无需设计排版、不用调参。

4.2 一行代码生成专业报告

在Notebook新cell中运行：

# 生成PDF可视化报告（自动关联当前results） pdf_path = export_classification_results.to_pdf( results=results, title="Git-RSCLIP遥感分类结果报告", author="桦漫AIGC集成开发" ) print(f" PDF报告已生成：{pdf_path}") print("报告包含：置信度分布直方图、Top-3标签热力图、典型样本截图（含标注）")

生成的PDF长这样（文字描述）：

• 封面页：标题、时间、作者信息
• 统计概览页：平均置信度、最高/最低置信度、Top-1占比（即排名第一的标签置信度>0.8的图像比例）
• 分布分析页：置信度直方图（横轴0~1，纵轴图像数量），帮你判断模型整体把握程度
• 标签热度页：横向柱状图，显示各候选标签被选为Top-1的次数（例如“farmland”出现12次，“river”出现8次）
• 样本展示页：随机选取3~5张图像，每张图下方标注：原图名、Top-1标签、置信度值、缩略图（自动裁切居中显示）

报告完全自动化：字体统一（思源黑体）、配色专业（蓝灰主色调）、无水印、可直接打印或邮件发送。

4.3 下载PDF报告

同样在Jupyter文件浏览器中：
root→workspace→export→ 找到report_*.pdf→ 右键Download

进阶用法：如需自定义报告内容，可传入include_confidence_plot=False等参数关闭某类图表，详情见help(export_classification_results.to_pdf)。

5. 批量任务与进阶技巧

5.1 处理多张图像的批量导出

如果你一次性上传了10张图到Web界面，上述方法会自动处理全部10张。
但若你有上百张图，建议改用脚本批量推理+导出，效率更高：

# 示例：批量处理一个文件夹下的所有遥感图 import os from git_rsclip.model import GitRSCLIPModel # 初始化模型（自动加载GPU） model = GitRSCLIPModel() # 定义候选标签（英文效果更佳） labels = [ "a remote sensing image of river", "a remote sensing image of buildings and roads", "a remote sensing image of forest", "a remote sensing image of farmland" ] # 遍历图像文件夹 image_dir = "/root/workspace/sat_images/" results_batch = {} for img_file in os.listdir(image_dir): if img_file.lower().endswith(('.jpg', '.jpeg', '.png')): img_path = os.path.join(image_dir, img_file) # 单张图推理 pred = model.classify_image(img_path, labels) results_batch[img_file] = pred # 批量导出 export_classification_results.to_csv(results_batch, filename="batch_results.csv") export_classification_results.to_pdf(results_batch, title="批量分类报告")

优势：绕过Web界面限制，支持任意数量图像；结果精度与Web界面完全一致。

5.2 导出结果的二次加工建议

导出的CSV和PDF是起点，不是终点。推荐几个实用延伸：

• GIS联动：将CSV导入QGIS，用confidence字段设置图层透明度，直观看出高置信度区域
• 错误分析：筛选confidence < 0.5的行，集中检查这些图像——可能是云层遮挡、分辨率不足或标签描述不匹配
• 标签优化：统计各标签的rank=1出现频次，频次低的标签（如“airport”只出现1次）可考虑替换为更常见的地物类型
• 自动化流水线：将导出代码封装为Shell脚本，配合cron定时执行，实现每日遥感监测报告自动生成

5.3 常见问题快速排查

深度调试：所有导出函数均支持verbose=True参数，开启后会打印详细步骤日志，便于定位问题。

6. 总结：让遥感分类真正落地

回顾一下，你刚刚掌握了Git-RSCLIP最实用的“临门一脚”能力：
🔹从“能看到”升级到“能带走”——CSV表格让数据可计算、可追溯、可审计
🔹从“能分析”升级到“能汇报”——PDF报告让技术结果变成业务语言，降低沟通成本
🔹从“单次操作”升级到“批量生产”——脚本化导出支撑真实项目交付节奏

更重要的是，这一切都不需要你懂模型原理、不修改一行源码、不配置复杂环境。
北航团队在Git-RSCLIP中埋下的这套导出机制，本质是把工程思维注入了AI工具——它默认假设：用户做完推理后，下一步一定是整理、分享、应用。

所以，下次当你面对一堆遥感图分类结果时，别再手动截图、复制、Excel粘贴了。
打开Jupyter，敲几行代码，两分钟，一份专业的交付物就 ready。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。