Geo-MLOps: PEFT Benchmark Platform for Geospatial Foundation Models

English | 简体中文

一个面向遥感基础模型的参数高效微调（PEFT）系统性评估平台。在 Prithvi-100M 上跨 5 种 PEFT 方法、5 种模态配置完成了 75 组实验，发现了若干对实际部署有指导意义的结论。

核心实验结果

在 EuroSAT（10 类场景分类）上的 Overall Accuracy：

方法	s2_full (10ch)	rgb (3ch)	rgb_sar (4ch)	gf2 (4ch)	sar_only (2ch)	参数量
Linear Probe	0.657	0.556	0.553	0.649	0.387	7.7K
BitFit	0.702	0.608	0.605	0.701	0.449	111K
LoRA (r=8)	0.658	0.556	0.553	0.650	0.388	155K
Houlsby (d=64)	0.821	0.727	0.738	0.820	0.615	1.2M

关键发现：

1. LoRA 在 Prithvi 上完全失效（delta < 0.001），可能与 fused QKV attention 结构有关
2. Houlsby adapter 在所有模态上碾压其他方法（+16-23%）
3. Houlsby 能隐式利用 zero-pad 通道（rgb_sar > rgb），说明骨干内部适配比输入端适配更有效
4. 模态选择（10% 级差异）比 PEFT 方法选择（5% 级差异）对性能影响更大

详细分析见 实验结果分析。

架构

geoadapter/          <- 独立 Python 包（Colab 可用）
├── adapters/        <- 5 种 PEFT: Linear Probe / BitFit / LoRA / Houlsby / GeoAdapter
├── models/          <- Prithvi-100M 完整 12 层 ViT (149/149 权重加载)
├── engine/          <- 统一训练引擎 + 评估器
├── data/            <- EuroSAT 加载 + 波段选择
├── bench/           <- Benchmark Runner (YAML 配置)
└── viz/             <- t-SNE/UMAP + Attention 热力图

ae_backend/          <- FastAPI 平台（多 PEFT 方法切换）
ae_frontend/         <- Vue 3 + ECharts 实时训练监控
notebooks/           <- Colab A100 实验 Notebook
results/             <- 75 组实验原始数据 (JSON)

快速开始

pip install -e .
python -m pytest tests/ -v          # 39 tests, ~15s
cd ae_backend
python -m uvicorn app.main:app --host 127.0.0.1 --port 8087

文档

• 实验结果分析 — 75 组实验的完整数据和发现
• AlphaEarth vs Prithvi 技术对比
• 系统验证指南

许可证

MIT License