Nouvelle release Deeposlandia, accompagnée par un nouveau plugin QGIS!

By jeudi 25 juin 2020Data

Voilà quelque temps déjà que nous n’avions pas publié de release pour ce projet.

Nous sommes donc ravis d’annoncer la parution de la version 0.6.3post1 de cette bibliothèque d’analyse automatique d’images. Et comme un bonheur n’arrive jamais seul, nous sommes encore plus contents d’annoncer la première release d’un plugin QGIS (QDeepLandia) qui exploite l’API de Deeposlandia pour prédire des empreintes de bâtiment dans QGIS !

Quoi de neuf?

Dans cette nouvelle version de Deeposlandia, un pas de géant a été accompli pour traiter les images géoréférencées. Il est désormais possible de les post-traiter, i.e. de construire des versions vectorisées des prédictions issues des réseaux de neurones, et in fine des versions rasterisées plus simples et dépourvues des artefacts de
prédictions.

En somme, si vous avez un gros raster représentant une image aérienne sous la main (typiquement, une image aérienne dont les dimensions sont supérieures à quelques centaines de pixels de large), vous pouvez utiliser Deeposlandia pour prédire les classes des éléments de l’emprise au sol. Le réseau de neurones travaillera dans un premier temps sur une découpe de votre image en tuiles élémentaires, et une recomposition de l’image permettra de reconstituer la prédiction sur l’image de départ dans un second temps.

Segmentation sémantique

Segmentation sémantique sur une image 1000*1000 pixels

La figure précédente montre un exemple de ce processus, avec (a) le (grand) raster en entrée, (b) la sortie du modèle d’IA (avec une grille grisée pour représenter les tuiles élémentaires), et (c) la version post-traitée de la prédiction.

Comment utiliser le code?

Deeposlandia

Nous avons récemment procédé à la migration de nos projets Open Source public de Github vers Gitlab, ceci étant vous pouvez toujours récupérer le code source via Gitlab et l’installer avec les commandes incluses dans le README du projet. De façon encore plus directe, le projet est disponible sur Pypi, et peut s’obtenir via un simple pip install !

L’usage de Deeposlandia a été simplifié, via la création d’une interface en ligne de commande. Avec l’exemple du dataset Tanzania, il est possible de générer un ensemble de tuiles exploitables à partir d’images brutes :

$ deepo datagen -D tanzania -s 512 -T 10

Puis un réseau de neurone convolutif peut être entraîné :

$ deepo train -D tanzania -s 512

Le processus d’inférence a évolué pour les jeux de données géoréférencés, et les images aériennes en particulier. Il est possible de faire une prédiction (infer) et même de post-traiter les images (postprocess). Par exemple, l’image en début d’article a été générée avec la commande suivante :

$ deepo postprocess -D tanzania -s 512 -i tanzania_sample -P tests/data -g

Toutes ces commandes sont configurables, n’hésitez pas à jeter un oeil au README du projet sur Gitlab.

QDeepLandia

Ce projet, c’est le petit nouveau, et à ce titre, nous avons une tendresse particulière pour lui ! En lien avec Deeposlandia, nous avons développé un plugin pour faire de la segmentation sémantique dans un environnement QGIS.

Certes il y a encore quelques plâtres à essuyer (les bugs d’une version 0.1.0, toute une histoire…), ceci étant dit, nous sommes particulièrement fiers de vous partager nos premiers résultats de segmentation sémantique dans QGIS ! De quoi ouvrir la voie à l’IA dans cet outil…

Que permet cette version 0.1.0 ? Charger un modèle entraîné, prédire la sémantique d’une couche raster (ou d’une sous-partie) ; nous exploitons l’API de Deeposlandia pour faire ces prédictions, et sous forme de processings QGIS.

Ce n’est pas de la magie, mais de l’IA; le processus de prédiction peut prendre un peu de temps, surtout si l’image est grosse, ou la machine de l’utilisateur peu puissante (a fortiori sans GPU…), ceci étant dit les résultats sont très prometteurs !

La suite

Nous projetons de travailler sur QDeepLandia pour rendre son utilisation aussi simple que possible. C’est encore une preuve de concept qui demande à être testée encore et encore, jusqu’à une mise en production. À ce titre, les performances pourront aussi être un axe de travail.

Les contributions à ce projet sont les bienvenues, de même que des financements sur projets pour le cas où vous auriez un besoin susceptible d’être couvert par ce plugin.

N’hésitez pas à interagir avec nous sur ce projet, par e-mail (infos+data@oslandia.com) ou via les tickets Gitlab ! Nous n’attendons plus que vous pour échanger sur ce sujet passionnant !

Raphaël Delhome

Author Raphaël Delhome

More posts by Raphaël Delhome

Join the discussion One Comment