Git-RSCLIP图文匹配业务集成：对接ArcGIS Pro插件开发实战教程

Git-RSCLIP图文匹配业务集成：对接ArcGIS Pro插件开发实战教程

1. 引言：当遥感AI遇上专业GIS

如果你是一名GIS（地理信息系统）开发者，或者正在使用ArcGIS Pro处理遥感数据，那你一定遇到过这样的场景：面对海量的卫星影像，你需要快速找到包含特定地物（比如机场、港口、农田）的图片，或者给一批影像自动打上标签进行分类。传统方法要么依赖人工目视解译（效率低），要么需要训练专门的深度学习模型（门槛高、周期长）。

现在，有了Git-RSCLIP，事情变得简单多了。这是一个专为遥感图像设计的“图文理解”模型，你可以直接告诉它“找一张有河流和桥梁的卫星图”，它就能从图库里帮你找出来；或者你上传一张图，让它从你定义的一系列标签（如“城市建筑”、“茂密森林”、“港口码头”）中选出最匹配的那个，实现零样本分类。

但模型本身只是一个“引擎”，如何让它无缝嵌入到你日常使用的ArcGIS Pro工作流中，变成一个随手可用的工具？这就是本教程要解决的问题。我们将手把手教你，如何将Git-RSCLIP模型封装成一个ArcGIS Pro插件，让你能在熟悉的GIS软件界面里，一键调用强大的AI能力。

学完本教程，你将能：

1. 理解Git-RSCLIP的核心原理与API调用方式。
2. 掌握ArcGIS Pro插件开发的基本框架和流程。
3. 独立开发一个具备遥感图像分类和图文检索功能的实用插件。
4. 将AI模型与专业GIS软件深度集成，提升遥感数据分析的智能化水平。

前置准备：

• 基础知识：了解Python基础，对ArcGIS Pro界面有基本认识。
• 开发环境：安装好ArcGIS Pro（建议2.8及以上版本）及随附的Python环境。
• 模型服务：一个已经部署好的Git-RSCLIP API服务（例如使用CSDN星图镜像一键部署的实例）。

让我们开始吧，把AI“装进”你的ArcGIS Pro。

2. Git-RSCLIP模型与服务调用精讲

在动手开发插件之前，我们需要先吃透“原料”——Git-RSCLIP模型。它到底能干什么？我们怎么和它“对话”？

2.1 模型核心：SigLIP架构与遥感适配

Git-RSCLIP并非凭空创造，它基于一个叫SigLIP的先进架构。你可以把它理解为一个“双语专家”，同时精通“图像语言”和“文本语言”。它的核心任务是学习如何将一张图片和一段文字描述，映射到同一个语义空间里，并计算它们的相似度。

它的特别之处在于“遥感专用”：

• 专用数据训练：在包含1000万对遥感图像和文本描述的Git-10M数据集上训练，看遍了各种地形地貌，所以对卫星影像的特征特别敏感。
• 零样本分类：这是它最强大的地方。你不需要准备训练数据、不需要训练新模型。只需要给出你关心的类别标签（比如“机场跑道”、“风力发电场”、“光伏电站”），它就能直接对图像进行分类。
• 双模态检索：既能“以图搜文”（给定图，找最匹配的文字描述），也能“以文搜图”（给定描述，找最匹配的图）。

2.2 API调用实战：与模型服务通信

假设你已经通过CSDN星图镜像部署了Git-RSCLIP服务，访问地址是https://your-instance-7860.web.gpu.csdn.net。模型通常通过HTTP API提供服务。我们来学习如何用Python调用它。

首先，安装必要的库：

# 在ArcGIS Pro的Python环境（通常为arcgispro-py3）中安装 pip install requests pillow

核心调用函数示例：

下面这个query_rsclip函数是与模型服务交互的核心。它接受一张图片和一组文本，返回图片与每个文本的匹配分数。

import requests from PIL import Image import io import base64 def query_rsclip(image_path, text_list, api_base_url="https://your-instance-7860.web.gpu.csdn.net"): """ 调用Git-RSCLIP服务，计算图像与一系列文本的相似度。 参数: image_path: 本地图像文件路径。 text_list: 字符串列表，包含要比较的文本描述。 api_base_url: Git-RSCLIP服务的基准URL。 返回: list: 与text_list顺序对应的相似度分数列表。 """ # 1. 准备图像：读取并编码为Base64 with open(image_path, "rb") as img_file: image_bytes = img_file.read() image_b64 = base64.b64encode(image_bytes).decode('utf-8') # 2. 构建请求数据 # 注意：API端点可能为 /classify 或 /similarity，请根据实际部署确认 api_url = f"{api_base_url}/classify" payload = { "image": image_b64, "texts": text_list } # 3. 发送POST请求 try: response = requests.post(api_url, json=payload, timeout=30) response.raise_for_status() # 检查HTTP错误 result = response.json() # 4. 解析结果。实际返回格式需根据API调整，常见如 {"scores": [0.9, 0.1, ...]} scores = result.get("scores", []) return scores except requests.exceptions.RequestException as e: print(f"API请求失败: {e}") return [] except ValueError as e: print(f"解析JSON响应失败: {e}") return [] # 使用示例 if __name__ == "__main__": # 示例文本标签（建议使用英文，描述更具体） candidate_labels = [ "a remote sensing image of an airport with runways", "a remote sensing image of dense urban buildings", "a remote sensing image of agricultural farmland", "a remote sensing image of a river winding through mountains", "a remote sensing image of a coastal port with ships" ] scores = query_rsclip("D:/test_satellite.jpg", candidate_labels) if scores: # 将分数和标签配对，并按分数降序排序 results = sorted(zip(candidate_labels, scores), key=lambda x: x[1], reverse=True) print("分类结果（置信度从高到低）:") for label, score in results: print(f" {label}: {score:.4f}")

关键点解析：

1. 图像预处理：模型通常接受Base64编码的图像字符串。我们使用Python的base64库进行转换。
2. 文本描述技巧：为了获得最佳效果，文本描述应尽可能具体。使用“a remote sensing image of ...”开头是一个好习惯，明确上下文。例如，“airport”不如“airport with runways and terminals”准确。
3. 错误处理：网络请求可能失败，API格式可能变化。良好的错误处理（try-except）和日志打印对插件稳定性至关重要。
4. 结果解析：拿到返回的JSON后，提取出分数列表。分数越高，表示图像与该文本描述越匹配。

掌握了如何调用模型，我们就可以开始设计插件的“外壳”了。

3. ArcGIS Pro插件开发框架搭建

ArcGIS Pro插件本质是一个Python工具箱（.pyt文件）或一个Add-in（.esriaddin文件）。这里我们选择更灵活、功能更强大的Python工具箱方式。

3.1 创建插件项目结构

在你的工作目录（例如C:\MyArcGISProjects\）下，创建一个名为RSClipToolbox的文件夹，并建立如下结构：

RSClipToolbox/ ├── RSClipToolbox.pyt # 主工具箱文件 ├── RSClipClassifier.py # 图像分类工具的实现类 ├── RSClipRetriever.py # 图文检索工具的实现类 ├── config.py # 配置文件（存放API地址等） ├── utils.py # 工具函数（如图像处理、API调用封装） ├── icons/ # 工具图标文件夹 │ ├── classify.png │ └── retrieve.png └── README.md

3.2 编写工具箱定义文件（.pyt）

RSClipToolbox.pyt文件是插件的入口，它定义了工具箱的名称、标签以及包含哪些工具。

# -*- coding: utf-8 -*- import arcpy import os import sys # 将当前目录和utils模块加入路径，以便导入自定义模块 toolbox_dir = os.path.dirname(__file__) if toolbox_dir not in sys.path: sys.path.insert(0, toolbox_dir) try: from RSClipClassifier import RSClipClassifier from RSClipRetriever import RSClipRetriever except ImportError as e: arcpy.AddError(f"无法导入工具模块: {e}") raise class Toolbox(object): def __init__(self): """定义工具箱（别名很重要，用于ArcGIS内部识别）。""" self.label = "遥感图文智能工具箱" self.alias = "RSClipToolbox" self.description = "集成Git-RSCLIP模型，提供遥感图像零样本分类与图文检索功能。" # 列出此工具箱中包含的所有工具类 self.tools = [RSClipClassifier, RSClipRetriever]

3.3 编写配置文件与工具函数

config.py- 集中管理配置，便于后期修改。

# config.py # Git-RSCLIP 服务配置 RS_CLIP_API_BASE = "https://your-instance-7860.web.gpu.csdn.net" # 请替换为你的实际服务地址 RS_CLIP_CLASSIFY_ENDPOINT = "/classify" # 分类端点 RS_CLIP_SIMILARITY_ENDPOINT = "/similarity" # 相似度端点（如果提供） # 默认候选标签（用户可在工具界面修改） DEFAULT_LABELS = [ "a remote sensing image of urban residential area", "a remote sensing image of commercial district with tall buildings", "a remote sensing image of industrial zone with factories", "a remote sensing image of farmland with regular plots", "a remote sensing image of forest", "a remote sensing image of river or lake", "a remote sensing image of airport", "a remote sensing image of port with docks", "a remote sensing image of barren land or desert", "a remote sensing image of snow-covered mountains" ]

utils.py- 封装核心功能，保持工具类代码简洁。

# utils.py import requests import base64 import arcpy import json from config import RS_CLIP_API_BASE, RS_CLIP_CLASSIFY_ENDPOINT def encode_image_to_base64(image_path): """将图像文件编码为Base64字符串。""" try: with open(image_path, "rb") as f: return base64.b64encode(f.read()).decode('utf-8') except Exception as e: arcpy.AddWarning(f"读取图像文件失败 {image_path}: {e}") return None def call_rsclip_classify(image_b64, text_list): """调用Git-RSCLIP分类API。""" api_url = f"{RS_CLIP_API_BASE}{RS_CLIP_CLASSIFY_ENDPOINT}" payload = {"image": image_b64, "texts": text_list} try: response = requests.post(api_url, json=payload, timeout=60) response.raise_for_status() result = response.json() return result.get("scores", []) except requests.exceptions.ConnectionError: arcpy.AddError(f"无法连接到Git-RSCLIP服务，请检查地址 {RS_CLIP_API_BASE} 是否正确且服务已启动。") return [] except requests.exceptions.Timeout: arcpy.AddError("请求Git-RSCLIP服务超时，请检查网络或服务负载。") return [] except Exception as e: arcpy.AddError(f"调用API时发生未知错误: {e}") return []

基础框架搭好了，接下来我们实现第一个核心工具：遥感图像分类。

4. 实战一：开发遥感图像零样本分类工具

这个工具的目标是：让用户在ArcGIS Pro中选中一张遥感影像（或指定一个图层），输入一组自定义的类别标签，然后插件调用Git-RSCLIP模型，输出每个标签的匹配置信度，并将最高置信度的标签作为分类结果。

4.1 定义工具参数与界面

创建RSClipClassifier.py文件。

# RSClipClassifier.py import arcpy import os import sys import json from utils import encode_image_to_base64, call_rsclip_classify from config import DEFAULT_LABELS class RSClipClassifier(object): def __init__(self): """定义工具名称和描述。""" self.label = "Git-RSCLIP 遥感图像分类" self.description = "使用Git-RSCLIP模型对遥感图像进行零样本分类。上传图像并输入候选标签（每行一个），工具将返回匹配度排名。" self.canRunInBackground = False # 建议设为False，便于调试和显示进度 def getParameterInfo(self): """定义工具的输入输出参数。""" params = [] # 参数0：输入图像（可以是图层或文件路径） param0 = arcpy.Parameter( name="input_image", displayName="输入遥感图像", datatype=["GPFeatureLayer", "DEFile", "GPRasterLayer"], # 支持多种输入 parameterType="Required", direction="Input" ) param0.filter.list = ["jpg", "jpeg", "png", "tif", "tiff"] # 限制文件类型 params.append(param0) # 参数1：候选标签（多行文本） param1 = arcpy.Parameter( name="candidate_labels", displayName="候选分类标签", datatype="GPString", parameterType="Required", direction="Input", multiValue=True # 允许多值输入，在ArcGIS Pro中表现为多行文本框或列表 ) # 设置默认值（从配置中读取） param1.value = "\n".join(DEFAULT_LABELS) param1.filter.type = "ValueList" # 可选：如果希望用户从固定列表选，可在此定义 params.append(param1) # 参数2：输出结果文件（可选，如JSON或CSV） param2 = arcpy.Parameter( name="output_result", displayName="输出结果文件（可选）", datatype="DEFile", parameterType="Optional", direction="Output" ) param2.filter.list = ["json", "txt", "csv"] params.append(param2) # 参数3：结果显示方式（选择框） param3 = arcpy.Parameter( name="result_display", displayName="结果显示方式", datatype="GPString", parameterType="Required", direction="Input" ) param3.filter.type = "ValueList" param3.filter.list = ["仅消息窗口", "创建结果图层并标注"] param3.value = "仅消息窗口" # 默认值 params.append(param3) return params def isLicensed(self): """验证工具是否可用（此处无需特殊许可）。""" return True def updateParameters(self, parameters): """根据用户输入动态更新其他参数（例如，根据输入图像自动生成输出文件名）。""" # 如果用户没有指定输出文件，但指定了输入文件，则建议一个默认输出路径 if parameters[0].value and not parameters[2].value: input_path = parameters[0].valueAsText # 尝试从输入路径派生输出路径 if hasattr(parameters[0].value, 'catalogPath'): # 如果是图层 base_name = os.path.splitext(os.path.basename(parameters[0].value.catalogPath))[0] else: base_name = os.path.splitext(os.path.basename(input_path))[0] # 获取当前地图文档或工程的默认地理数据库 try: aprx = arcpy.mp.ArcGISProject("CURRENT") default_gdb = aprx.defaultGeodatabase if default_gdb: suggested_path = os.path.join(default_gdb, f"{base_name}_classification.json") else: suggested_path = os.path.join(os.path.dirname(input_path), f"{base_name}_classification.json") except: suggested_path = os.path.join(os.path.dirname(input_path), f"{base_name}_classification.json") parameters[2].value = suggested_path return def updateMessages(self, parameters): """验证参数输入，并提供自定义错误或警告消息。""" # 示例：检查候选标签是否为空 if parameters[1].value: labels = [l.strip() for l in parameters[1].valueAsText.split(';') if l.strip()] if len(labels) < 2: parameters[1].setWarningMessage("建议提供至少两个候选标签以获得有意义的分类对比。") return

4.2 实现核心执行逻辑

继续在RSClipClassifier.py的类中添加execute方法。

def execute(self, parameters, messages): """工具的主要执行逻辑。""" arcpy.AddMessage("开始执行 Git-RSCLIP 遥感图像分类...") # 1. 获取用户输入 input_image = parameters[0].valueAsText labels_text = parameters[1].valueAsText output_file = parameters[2].valueAsText if parameters[2].value else None display_mode = parameters[3].valueAsText # 2. 处理候选标签（将ArcGIS的多值字符串分割为列表） # ArcGIS多值参数默认用分号分隔 candidate_labels = [label.strip() for label in labels_text.split(';') if label.strip()] if not candidate_labels: arcpy.AddError("候选标签不能为空。") return arcpy.AddMessage(f"共接收到 {len(candidate_labels)} 个候选标签。") # 3. 处理输入图像：获取其物理路径 # 这是一个关键步骤，因为输入可能是一个图层对象 image_path = self._resolve_input_path(input_image) if not image_path or not os.path.exists(image_path): arcpy.AddError(f"无法定位或访问输入图像文件: {input_image}") return arcpy.AddMessage(f"处理图像: {os.path.basename(image_path)}") # 4. 调用模型服务 arcpy.AddMessage("正在调用Git-RSCLIP模型服务进行分析...") image_b64 = encode_image_to_base64(image_path) if not image_b64: return # 错误信息已在encode函数中添加 scores = call_rsclip_classify(image_b64, candidate_labels) if not scores or len(scores) != len(candidate_labels): arcpy.AddError("模型服务返回结果异常，请检查服务状态和输入格式。") return # 5. 处理并展示结果 # 将标签和分数配对，排序 results = list(zip(candidate_labels, scores)) results.sort(key=lambda x: x[1], reverse=True) arcpy.AddMessage("\n" + "="*50) arcpy.AddMessage("分类结果（置信度从高到低）:") arcpy.AddMessage("="*50) for i, (label, score) in enumerate(results, 1): arcpy.AddMessage(f"{i:2d}. {label[:60]:60s} : {score:.4f}") top_label, top_score = results[0] arcpy.AddMessage(f"\n最高匹配标签: 「{top_label}」 (置信度: {top_score:.4f})") # 6. 根据用户选择进行高级输出 if display_mode == "创建结果图层并标注": self._create_result_layer(input_image, top_label, messages) if output_file: self._save_results_to_file(output_file, image_path, results, top_label, top_score) arcpy.AddMessage(f"\n详细结果已保存至: {output_file}") arcpy.AddMessage("\nGit-RSCLIP 分类工具执行完成！") return def _resolve_input_path(self, input_param): """将输入参数解析为本地文件系统路径。""" desc = arcpy.Describe(input_param) if hasattr(desc, 'catalogPath'): return desc.catalogPath elif hasattr(desc, 'file'): return desc.file else: # 如果直接是文件路径字符串 return input_param if os.path.exists(input_param) else None def _create_result_layer(self, input_feature, label, messages): """（高级功能）创建一个新的图层，并将分类结果作为属性。""" # 此处为简化示例。实际开发中，你可能需要： # 1. 复制输入图层 # 2. 添加新字段（如“RS_Class”, “RS_Confidence”） # 3. 将分类结果写入新字段 # 4. 将新图层添加到当前地图 arcpy.AddMessage("注意：'创建结果图层'功能需要更复杂的要素处理逻辑，此处为演示框架。") # 示例代码框架： # aprx = arcpy.mp.ArcGISProject("CURRENT") # current_map = aprx.activeMap # output_fc = arcpy.management.CopyFeatures(input_feature, "in_memory/classified_fc") # arcpy.management.AddField(output_fc, "AI_Label", "TEXT", field_length=255) # with arcpy.da.UpdateCursor(output_fc, ["AI_Label"]) as cursor: # for row in cursor: # row[0] = label # cursor.updateRow(row) # layer = arcpy.management.MakeFeatureLayer(output_fc, f"Classified_{label[:20]}") # current_map.addLayer(layer) def _save_results_to_file(self, file_path, image_path, results, top_label, top_score): """将分类结果保存为JSON文件。""" import json from datetime import datetime result_data = { "image_file": os.path.basename(image_path), "analysis_time": datetime.now().isoformat(), "top_label": top_label, "top_score": float(top_score), # 转换为Python float以便JSON序列化 "all_results": [ {"rank": i, "label": label, "score": float(score)} for i, (label, score) in enumerate(results, 1) ] } try: with open(file_path, 'w', encoding='utf-8') as f: json.dump(result_data, f, indent=2, ensure_ascii=False) except Exception as e: arcpy.AddWarning(f"保存结果文件失败 {file_path}: {e}")

至此，一个功能完整的遥感图像分类工具就开发完成了。用户可以在ArcGIS Pro的“地理处理”窗格中搜索到“Git-RSCLIP 遥感图像分类”工具，通过直观的界面完成智能分类。

5. 实战二：开发图文相似度检索工具

分类工具解决了“这张图是什么”的问题。而检索工具要解决的是“帮我找和这段描述匹配的图”。这在管理大量历史影像或进行特定目标筛查时非常有用。

5.1 设计批量检索工具

创建RSClipRetriever.py文件。这个工具的目标是：用户指定一个包含多张遥感图像的文件夹（或一个影像图层），输入一段文本描述，工具遍历所有图像，计算与描述的相似度，并返回匹配度最高的前N张图。

# RSClipRetriever.py import arcpy import os import sys import glob from utils import encode_image_to_base64, call_rsclip_classify # 注意：检索本质也是调用分类API比较单个文本与多图 class RSClipRetriever(object): def __init__(self): self.label = "Git-RSCLIP 图文相似度检索" self.description = "根据文本描述，从一批遥感图像中检索出最匹配的图像。输入图像文件夹和描述文本，工具将返回相似度排名。" self.canRunInBackground = False def getParameterInfo(self): params = [] # 参数0：输入图像文件夹 或 要素类/栅格目录 param0 = arcpy.Parameter( name="input_source", displayName="输入图像源", datatype=["DEFolder", "GPFeatureLayer", "GPRasterCatalog"], parameterType="Required", direction="Input" ) param0.filter.list = ["jpg", "jpeg", "png", "tif"] # 对文件夹参数，此过滤可能不生效，需在代码中处理 params.append(param0) # 参数1：检索文本描述 param1 = arcpy.Parameter( name="query_text", displayName="检索描述文本", datatype="GPString", parameterType="Required", direction="Input" ) param1.value = "a remote sensing image of an airport" # 默认示例 params.append(param1) # 参数2：返回结果数量 param2 = arcpy.Parameter( name="top_n", displayName="返回最匹配的数量", datatype="GPLong", parameterType="Required", direction="Input" ) param2.value = 5 param2.filter.type = "Range" param2.filter.list = [1, 50] params.append(param2) # 参数3：输出结果表 param3 = arcpy.Parameter( name="output_table", displayName="输出检索结果表", datatype="DETable", parameterType="Required", direction="Output" ) params.append(param3) return params def execute(self, parameters, messages): arcpy.AddMessage("开始执行 Git-RSCLIP 图文相似度检索...") input_source = parameters[0].valueAsText query_text = parameters[1].valueAsText.strip() top_n = int(parameters[2].value) output_table = parameters[3].valueAsText if not query_text: arcpy.AddError("检索描述文本不能为空。") return # 1. 收集所有待检索的图像文件路径 image_paths = self._collect_image_paths(input_source) if not image_paths: arcpy.AddError(f"在指定的输入源中未找到支持的图像文件。") return arcpy.AddMessage(f"共发现 {len(image_paths)} 张待检索图像。") # 2. 准备进度条 arcpy.SetProgressor("step", "正在计算图像相似度...", 0, len(image_paths), 1) results = [] # 存储（路径, 相似度分数） # 3. 遍历每张图像，调用模型计算与query_text的相似度 # 注意：这里我们将query_text作为一个“标签”，与图像计算相似度 for idx, img_path in enumerate(image_paths): arcpy.SetProgressorLabel(f"处理中: {os.path.basename(img_path)} ({idx+1}/{len(image_paths)})") image_b64 = encode_image_to_base64(img_path) if not image_b64: continue # 调用分类API，但文本列表里只有我们的查询语句 scores = call_rsclip_classify(image_b64, [query_text]) if scores: similarity_score = scores[0] results.append((img_path, similarity_score)) else: results.append((img_path, 0.0)) # 如果调用失败，记0分 arcpy.SetProgressorPosition() arcpy.SetProgressor("default", "检索完成，正在排序...") # 4. 按分数降序排序，取前Top N results.sort(key=lambda x: x[1], reverse=True) top_results = results[:top_n] # 5. 创建输出结果表 self._create_output_table(output_table, top_results, query_text) # 6. 在消息窗口显示简要结果 arcpy.AddMessage("\n" + "="*60) arcpy.AddMessage(f"检索描述: 「{query_text}」") arcpy.AddMessage(f"共处理 {len(image_paths)} 张图像，返回前 {len(top_results)} 个结果:") arcpy.AddMessage("="*60) for i, (path, score) in enumerate(top_results, 1): arcpy.AddMessage(f"{i:2d}. [{score:.4f}] {os.path.basename(path)}") arcpy.AddMessage(f"\n详细结果已保存至表: {output_table}") arcpy.AddMessage("图文检索工具执行完成！") return def _collect_image_paths(self, input_source): """根据输入类型（文件夹、图层）收集所有图像文件路径。""" paths = [] desc = arcpy.Describe(input_source) if desc.dataType == "Folder": # 遍历文件夹下的图片文件 for ext in ['*.jpg', '*.jpeg', '*.png', '*.tif', '*.tiff']: paths.extend(glob.glob(os.path.join(input_source, ext))) paths.extend(glob.glob(os.path.join(input_source, ext.upper()))) elif desc.dataType in ["FeatureLayer", "RasterLayer"]: # 如果是图层，尝试获取其源文件路径（这是一个简化处理，实际可能更复杂） if hasattr(desc, 'catalogPath'): source_path = desc.catalogPath if os.path.isfile(source_path) and source_path.lower().endswith(('.jpg', '.jpeg', '.png', '.tif', '.tiff')): paths.append(source_path) # 注意：对于要素类，可能需要遍历每个要素的附件或关联的图片字段，这里仅为演示框架。 # 实际开发中，这里需要更复杂的逻辑来提取要素关联的影像。 arcpy.AddMessage(f"注意：输入为图层类型，当前仅处理图层本身的源文件。如需处理图层内每个要素的图片，需要额外开发。") # 可以添加对其他数据类型（如栅格目录）的支持 # 去重并返回 return list(set(paths)) def _create_output_table(self, table_path, results, query_text): """创建存储检索结果的地理数据库表或独立表。""" # 创建表结构 arcpy.management.CreateTable(os.path.dirname(table_path), os.path.basename(table_path)) # 添加字段 arcpy.management.AddField(table_path, "Rank", "SHORT") arcpy.management.AddField(table_path, "Image_Path", "TEXT", field_length=500) arcpy.management.AddField(table_path, "Similarity", "DOUBLE") arcpy.management.AddField(table_path, "Query_Text", "TEXT", field_length=1000) # 插入数据 fields = ["Rank", "Image_Path", "Similarity", "Query_Text"] with arcpy.da.InsertCursor(table_path, fields) as cursor: for i, (img_path, score) in enumerate(results, 1): cursor.insertRow([i, img_path, score, query_text]) arcpy.AddMessage(f"结果表已创建: {table_path}")

这个检索工具实现了批量处理能力，并能够将结构化的结果输出到表中，方便用户进一步分析和使用。

6. 插件部署、测试与进阶优化

6.1 部署插件到ArcGIS Pro

1. 压缩为工具箱：最简单的方式是直接将整个RSClipToolbox文件夹复制到ArcGIS Pro的工具箱搜索路径下。例如，复制到C:\Users\<你的用户名>\Documents\ArcGIS\Toolboxes\。
2. 在ArcGIS Pro中加载：
   • 打开ArcGIS Pro。
   • 切换到“工程”选项卡，点击“工具箱”区域下的“添加工具箱”按钮。
   • 在弹出的对话框中，浏览并选择你创建的RSClipToolbox.pyt文件。
   • 加载成功后，你可以在“地理处理”窗格（通常按Ctrl+F5打开）的“工具箱”列表下找到“遥感图文智能工具箱”。

6.2 测试你的插件

1. 测试分类工具：
   • 准备一张清晰的卫星影像（JPG/PNG格式）。
   • 在ArcGIS Pro中打开“地理处理”窗格，找到“Git-RSCLIP 遥感图像分类”工具。
   • 输入图像，修改或使用默认的候选标签，点击“运行”。
   • 观察“消息”窗口中的分类结果和置信度排名。
2. 测试检索工具：
   • 准备一个包含多张遥感图像的文件夹。
   • 运行“Git-RSCLIP 图文相似度检索”工具。
   • 指定文件夹，输入如“a remote sensing image of a harbor with many ships”的描述。
   • 查看输出表中相似度最高的图像是否确实包含港口和船只。

6.3 常见问题与调试

• 工具不显示或报错“无效工具箱”：检查.pyt文件语法，确保类名、导入路径正确。ArcGIS Pro的Python环境可能缺少requests库，请在ArcGIS Pro自带的Python命令提示符中安装。
• API连接失败：检查config.py中的RS_CLIP_API_BASE地址是否正确，以及Git-RSCLIP服务是否正常运行（可以在浏览器中访问{API地址}/docs或类似端点查看API文档）。
• 处理大图像速度慢：Git-RSCLIP模型对输入图像尺寸有要求（如256x256）。可以在utils.py的encode_image_to_base64函数中添加图像缩放预处理逻辑，将大图缩放到合适尺寸后再上传，以提升速度并符合模型预期。
• 结果不准确：提醒用户优化文本描述。提供“标签描述指南”作为工具帮助文档的一部分。

6.4 进阶优化方向

1. 集成到右键菜单：将工具封装为Add-in，实现在地图内容窗格中右键点击图层直接调用分类功能。
2. 异步处理与进度反馈：对于处理大量图像，使用后台进程（canRunInBackground = True）并完善进度条，避免界面卡死。
3. 结果可视化增强：在“创建结果图层”功能中，不仅添加属性，还可以根据置信度高低用不同颜色渲染图层，或在地图上直接弹出信息窗口显示Top 3标签。
4. 支持更多输入类型：扩展工具以直接处理ArcGIS Pro中的栅格数据集（arcpy.Raster对象），或从网络地图服务（WMS）中获取切片进行分析。
5. 参数记忆与模板：利用arcpy.mp将用户常用的标签组合保存为“分类模板”，下次可直接调用。

7. 总结

通过本教程，我们完成了一个从零到一的ArcGIS Pro插件开发实战，成功将前沿的Git-RSCLIP遥感AI模型集成到专业的GIS工作流中。我们不仅学会了如何调用模型的HTTP API，更掌握了ArcGIS Pro Python工具箱开发的核心流程：

1. 理解需求与设计：明确工具要解决的问题（分类 vs 检索），设计用户界面和参数。
2. 搭建框架：创建.pyt主文件、工具类、配置文件和工具函数模块。
3. 实现参数与逻辑：在工具类中定义getParameterInfo,updateParameters,execute等核心方法，处理用户输入、调用模型、输出结果。
4. 注重用户体验：添加进度提示、错误处理、多种结果输出方式（消息、文件、图层）。
5. 部署与迭代：将工具箱放入正确路径，在ArcGIS Pro中测试，并根据反馈进行优化。

这个插件只是一个起点。你可以在此基础上，结合具体的业务需求（如国土调查、环境监测、城市规划），开发出更强大、更专用的智能GIS工具。例如，为变化检测任务定制“前后期影像语义一致性比对”工具，或为灾害评估开发“自动提取损毁建筑物”工具。

---

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。