Transcription
你好。在本视频中，我将一步一步地向你展示如何使用 Jio Python 包。无论你是 JOAI 的新手，还是已经使用过其他一些 JAI 的 Python 包，呃，你对这些包的复杂性感到沮丧，这个视频将对你非常有帮助。所以，我将一步一步地向你展示如何安装这个包以及如何非常轻松地开始。你可以 um 使用这个 Python 包来 um 轻松地 um 从卫星图像中检测出任何你想要的物体，使用你自己的数据，或者你可以使用预训练的 um 预训练模型，超级简单。所以，这就是 um 它看起来的样子。呃，想象一下你可能有一些卫星图像或航空影像，你有一些像建筑物的足迹，或者它可以是任何物体。所以，这真的不重要。它基本上是你想要检测的任何物体。只要你有数据，有标签，我们就可以轻松做到。所以，呃，这将是输入 um 到我们的模型。你可以看到这只是建筑物的足迹，我们可以用它来检测一些新建的建筑物，或者一些由于例如自然灾害而改变的建筑物，我们可以轻松地应用它来 um 检测新建的建筑物或缺失的建筑物。所以，这就是最终的，例如，输出看起来的样子。所以，我们可以轻松地检测我们自己的建筑物，将 um 技术应用于新的区域。这就是结果的样子。当然，这并不完美。我只训练了几轮，但你可以训练模型更长时间以获得更好的结果。但是，呃，这只是用了几分钟，不到 5 分钟，你就可以为你的数据获得这样的结果。你当然可以运行这个。我们将在这里的视频中展示我将要展示的结果。但正如我所说，你可以改编这个来做任何物体检测。它可以是建筑物，可以是树木，可以是游泳池或太阳能电池板，或者任何类似的东西。我们还将向你展示如何评估模型的性能。呃，非常非常容易上手。所以，呃，为了跟上这个教程，我们需要 um 下载示例。所以，你可以去 open gioai.org 网站。所以，这是我几个月前创建的一个新的 Python 包，我添加了很多功能，还提供了很多教程。呃，你可以去网站，你可以在这里看到很多例子，你可能会被这么多例子压垮。所以，这个视频只是为了让你开始。我将向你展示 um 通用的工作流程，一旦你熟悉了工作流程，你就可以 um 尝试其他教程。所以，我们将要利用的是 um 这里这个训练分割模型。所以，只需点击这个，它就会在网页上打开 notebook。你有两种方式可以运行 um goi 或运行 um python。你可以在云端运行，也可以在本地运行。在云端，我建议使用 um Google Colab，因为它免费。它还有 GPU，所以是 16 GB。所以，如果你没有电脑上的 GPU，你可以在此之前进行测试。但如果你电脑上有 GPU，那么我建议你安装这个包。所以我将向你展示两种方法。呃，最简单的方法是右键单击，然后在新标签页中打开。所以，你在 Google Colab 中打开这个，就这样。你需要注意的一件事是，你需要确保你切换到 GPU 运行时。否则，当你运行模型时，它会非常慢。所以，你需要做的是转到运行时，然后从这里点击更改 um 运行时类型，然后切换到 T4 GPU，然后点击保存。就这样。所以，现在我们 um 可以访问 GPU 运行时了。所以，你所要做的就是转到第一个代码块来安装 GOAI Python 包。呃，你可以按键盘上的 Control + SL 来删除井号，或者你可以来到这里手动删除它。所以，呃，如果有一个井号，这意味着它是注释，它不会被执行。所以，一旦你删除了它，我就可以点击这个运行 um 运行，然后你就可以运行并安装这些包了。所以，这需要几分钟，因为你要安装很多依赖项。还要安装 coola 和 Nvidia GPU。所以，这可能需要几分钟。请耐心等待。呃，一旦安装完成，你就可以运行代码块了。嗯，然后一个接一个地，我稍后将在 Jupiter lab 中向你展示。所以，这是在 Google Colab 中安装包的方法。但如果你有 GPU 并想在本地计算机或一些 um 高性能计算机上尝试，那么你可以安装这个到你正在工作的环境中，你可以点击安装页面上的链接，然后在这里你想展示说明，推荐的方法是使用 cond 或使用 mamba 进行安装，因为 um 包已经预编译好了，所以你不太可能遇到 um 安装问题。但如果你没有，你可以使用 um UV 或 pip 进行安装。所以，对于这个教程，我将向你展示如何使用 cond 来使用 cond 或 anaconda 进行安装。如果你不知道，你可以在 Google 上搜索 miniconda，然后复制并粘贴到浏览器中。然后你应该能够找到 cond 的网站。然后从这里你可以点击链接 um 来安装，例如，这里的快速安装页面，你想找到不同操作系统的说明，Windows、Mac 或 Linux。你只需要 um 复制这个命令行，然后粘贴到你的电脑终端。然后你就可以安装这个包了。所以，这是一种非常标准的安装 um 包的过程，一旦你安装了 Micond，你就可以使用 cond 命令了。如果你在 Windows 上，你可以去开始菜单，然后去 Anaconda 菜单，然后会打开 Anaconda Prompt，因为我在 Linux 上，所以我没有菜单 um 来展示，但如果你使用的是 Mac，它应该差不多。所以，你只需要打开你的终端，然后你可以输入 cond 命令，如果你能看到 cond 的 um 输出，那就意味着你的 cond 已经成功安装了。一旦你有了它，你就可以 cond create um，让我放大一下 um cond，让我先清除输出，好的，所以 cond oops cond create this end，然后你可以给你的 cond 环境起一个名字。我可以说，也许是 goi，然后 python，任何我支持的 python 版本，从 3.10 到 3.13，为了安全起见，我通常建议比最新版本低一个版本，所以现在最新版本是 3.13，我将安装 um 3.12，就这样 um，我已经有一个了，也许我试试另一个，所以也许我可以这样说，不，我可以更改名字，所以也许只是 um AI。好的，如果你没有 um 名称冲突，你可以使用任何你想要的。好的，所以 um，它会问你是否要安装所有包，你只需要 um 点击是，或者你可以直接按回车键。为什么，然后它会安装所有包。这可能需要几分钟，取决于你的网络，因为我已经安装了一些包，它在我的电脑上有缓存，所以它不会重新下载它们。所以，这就是为什么它很快。然后只是 cond activate DI。所以，你将激活这个 cond 环境，一旦你有了它，你就可以使用 cond 来安装 goi 包。所以，你需要做的是，如果你不知道，你可以再次去 um goi 网站，链接在下面的视频描述中。所以，你只需要复制这行 cond install um d，它表示通道。所以，我将从 cond for 通道安装 goi。所以，你只需要 Ctrl C，然后回到这里。Ctrl + V，按回车键，就这样。这需要 um 几分钟，因为它将基本上找出它需要安装的所有依赖项，并确保没有依赖项冲突。一旦安装完成，你就可以启动 Zuplet，然后你就可以 um 开始使用它了。所以，例如，这里现在它还没有 um，它还在运行。所以，为了节省时间，我将使用我 um 以前的环境。所以，cond activate zo。好的。所以，一旦你激活了 cond 环境，你就可以输入 jupyter lab。好的，然后直接按回车键。你可以在浏览器中打开 jupyter lab。然后你就可以开始编码了。你可以开始导入 um ze，诸如此类。所以，这是本地安装包的简单过程。正如我所说，如果你没有 GPU， um 更好的简单方法是使用 Google Colab。所以，这个我在这里展示，我们已经完成了安装。没有错误或其他任何东西。所以，这很棒。我将清除选定的输出。一旦你 um 清除了输出，然后我就可以开始点击这个导入。如果你没有收到任何错误消息，那么这是一个好兆头。所以，然后你可以一步一步地进行。只需逐个运行代码块，你就会很快得到结果。但是，嗯，总的来说，Google Colab 的 um 性能有点 um 慢。与你本地计算机上的同一 GPU 相比，它会有点慢，因为它是在共享资源，但它是免费的。所以，如果它至少是备用的，如果你没有 um GPU 资源。好的。所以，嗯，在那之后，我将基本上 um 从我使用本地 zupita lab 开始，因为它会快得多。好的，我已经加载了我的本地 zupita lab 的 notebook。接下来我将一步一步地向你展示如何使用 goi 包进行深度学习。所以，嗯，一旦你在左侧打开，这里有一个导航栏。所以，你可以看到目录。这是一个 um 包含多个部分的文档。所以，你可以 um 导航到不同的部分。所以，你需要做的第一步是导入包。假设你已经在本地计算机上安装了它，或者你已经使用 um Google 安装了它。所以，只需 um 按 Control Enter。它将执行这个。或者你可以按 Shift Enter。它将执行然后转到下一个代码块。或者你可以按 Alt Enter。然后它将执行然后生成一个新的代码块。所以，如果你经常使用 Jupiter notebook 环境，这三个键盘快捷键你可能需要熟悉。一旦你导入了库，下一步就是 um 下载一些示例数据。我的建议是运行这个 notebook 示例，使用我提供的示例数据，因为我已经测试过了。它确保它能正常工作，一旦你弄清楚了工作流程，你就可以将其定制为你自己的数据。这很简单。所以，我们有 um 三个数据集。我有一个栅格数据集，基本上是 um 用于训练的卫星图像，我还有一个矢量数据 um，基本上是建筑物多边形。我还有另一个关于栅格的数据集，就是这样。你有三个数据集，一个用于训练，一个用于 um 标签，然后一个用于测试。一旦你有了它，你就可以运行这个代码块。它将指向托管在 um hugging face 上的示例文件。然后你可以使用 goi download file 函数一次性下载所有三个文件。我已经提前下载过了，所以它很快。但对你来说，可能需要 um 几秒钟来下载文件，这取决于你的网速。一旦你下载了文件，我们就可以 um 打印出一些示例数据信息。所以，我可以使用 get raster info 函数来获取所有栅格。所以，正如你从这里看到的，这是一个三波段 RGB 图像，实际上是来自 USDA 的图像。国家农业影像计划 um，我认为是 60 厘米分辨率。所以，你可以从这里看到 6 um，所以你也可以从这里的分辨率看到 6，这意味着它是 60 厘米 um 60 厘米分辨率，非常高，你还可以看到边界框，平均值、最大值、平均值、标准差等等。所以，如果你有时只想获取图像的基本信息，你可以用桌面 GIS 打开它，或者你可以使用 GI 来获取栅格信息函数来快速获取元数据信息 um，你不必这样做，你可以直接去 JI，但我只是向你展示一些实用函数，如果你想查看一些元数据 um，这可能会有帮助，所以 get raster info um，你也可以使用 view vector interactive，这个允许你将矢量数据叠加在栅格之上。所以，运行这个，应该很快。好的，现在我们有了这个 um 数据集，你可以放大它，它应该能够加载栅格文件。它 um，它没有加载。让我看看。有趣。呃，再次，或者我认为现在 raster URL 可能我之前将其更改为 um raster path。好的，它出现了。所以，基本上背景可以是你的本地栅格，也可以是指向可通过 HTTP URL 访问的云优化数据。所以，这就是我们拥有的输入数据。它是 um 60 厘米区域图像，以及我从我们的地图下载的建筑物多边形。它都是免费开放访问的。所以，这是我们拥有的两个数据集。然后我们需要做的是实际创建训练数据，你也可以构建栅格图像。所以，这个基本上 um，我认为我的 noble 有点问题。不过没关系，你可以运行它，或者它只是用于 um 可视化。一旦你有了数据，我们就可以创建训练 um 图像块。所以，对于深度学习，我们不直接将整个卫星图像馈送给模型，因为有时图像可能很大。所以，你基本上想将图像分成更小的块，然后将一批块馈送给模型，一次一个，直到你完成所有块，因为你不想一次性馈送千兆字节的数据。你的 GPU 将无法处理。所以，这就是为什么我们需要指定输出文件夹。然后调用这个函数 export geotive tiles。然后，输入将是 um，我们将输出的卫星图像，以及类内数据，这意味着它可以是栅格或矢量。所以，它非常灵活，取决于输入数据。所以，如果只是一个栅格掩码，你也可以指向 zeot，那也没问题。还有瓦片大小，就像图像瓦片，你想要图像有多大。所以，这是 512 x 512，还有条纹。条纹基本上意味着重叠，对吧？所以，它会从左向右移动。所以，512，然后你移动 256 像素。这意味着它基本上是 50% 的重叠。所以，嗯，我们需要重叠，有重叠，否则当你进行检测时，边缘会 um 产生伪影。所以，你有重叠，然后当你检测特征时，你可以合并它们。所以，你会 um 效果更好。最后一个是关于 um 半径。对于建筑物，我们不需要 um 缓冲或半径。但如果你试图检测线性特征，例如，道路或墙壁或类似的东西。如果你的矢量数据只是一条线，那么你需要设置一个半径，否则它将只有一像素。所以，有时像素线可能会断开，看起来不太好。但正如我所说，这取决于你的用例。对于这个，对于建筑物，我们真的不需要。所以，这就是为什么我们将这个设置为零。正如你所看到的，它实际上会将图像细分成不同的图像块。所以，这里你可以看到总共有 36 个图像块。所以，基本上是从左到右，从上到下，你有 50% 的重叠，移动窗口。所以，总共有 36 个，因为，基本上，它所做的是图像宽度除以大小，图像高度除以大小。所以，你基本上计算有多少个，它还会显示例如 um，好的，这是尺寸，例如 um，除以 52，你得到差不多多少行多少列，对吧？36 x 36 um，总共 36 个。所以，你可以制作水平方向的六个瓦片，然后垂直方向的六个瓦片。所以，总共有 36 个，如果你愿意，你可以在左侧打开。所以，建筑物。所以，这基本上是图像保存的地方。所以，你有图像目录，这些都是生成的图像瓦片。你会看到相应的标签。所以，在底层，矢量多边形建筑物多边形已被转换为栅格，基本上是矢量到栅格，然后匹配栅格和 um 卫星图像，然后你基本上会细分它们。所以，你有一个一对一的关系，每个卫星图像像素都有一个掩码，一个二进制掩码，一个为 1，一个为 0。所以，你不需要担心这一点。一切都是自动化的。所以，这非常 um 直接。所以，就是这样。所以，基本上是指定你的输入数据，然后创建图像块，然后我们就可以开始训练模型了。所以，这是你如果观看其他教程有时会遇到的事情，它可能变得相当复杂，因为有很多技术术语，但我已经简化了这个包，使其非常容易 um 使用和理解。所以，基本上你需要做的是弄清楚 um 一些输入数据，然后你可以指定一些你想要使用的模型。嗯，如果你想了解更多，你可以查看这个 um 链接，它会带你去分割 pytor 分割模型。所以，这里有很多模型 um 可用，还有预训练的权重。所以，这样我们就不用从头开始训练了，因为它已经在很多流行的数据集上训练过了，它有很多模型架构，还有预训练的权重。如果你是新手，比如你不太清楚确切的 um 架构是什么。所以，你可以把架构想象成从输入到输出。所以，中间有很多步骤，架构就是 um 检测 um um 设计整个过程中的所有步骤，还有一个叫做编码器。所以，编码器本质上是从输入开始，它会将你的输入变成某种数字 um 数值，因为模型，计算机，模型真的不理解 um 0 和 1，它只理解 0 和 1，然后，所以每个深度学习模型最终都会将 um，无论是图像、视频、文本，还是任何东西，都变成数字 0 和 1。所以，编码器基本上会 um，你可以看到它变成数字并提取核心特征 um 从数据中。所以，我们将 um 抽象数据。所以，你可以认为编码器将提供输入。架构中的一个关键步骤是从输入到输出，我们将 um，但输出你将有一个解码器，基本上意味着模型通过数据后，它将生成一些数字。所以，你将把数字变成某种澄清。例如，它是建筑物，将有一个 0 和 1。所以，你不需要理解，你不需要担心所有技术术语。别担心，你可以想，好吧，我有一些数据，我想做深度学习，甚至模型。所以，模型可以是某些预训练模型，或者你可以从头开始训练模型，模型可以是，有不同的选项，就像你可以使用 sex，你可以使用 gemini，你可以使用 um um grow，有很多模型。所以，如果你的任务是找到一些答案，你并不真正关心哪个模型，当然，有一些差异，性能可能不同，但你可以试试这个。工作流程应该差不多。所以，我们要做的是尝试 um 两个不同的分割模型。一个是 unit，另一个是 SE former。函数非常简单直接。所以，去 train segmentation models。就是这样，你不需要担心如何自己构建模型架构。你可以更多地关注数据。所以，图像是我们之前已经 um 生成的图像块。所以，这基本上是图像文件夹，我们有建筑物，对吧？然后图像目录是我们拥有所有图像块以及相应标签的地方。所以，你所要做的就是指定这个输入，然后你还可以指定你想要保存 unit 模型的位置。嗯，还有其他三个关键参数是架构。正如我所提到的，这里有不同类型的图像检测架构。你可以简单地使用 unit，或者你可以尝试不同的 um 架构。所以，只需替换名称，然后对于编码器，它是那个 um 用于将你的 um 图像转换为数字，然后提取 um 特征 um 从图像中。所以，对于编码器，这里也有不同的标题选项，如果你想看到更多选项，欢迎你去标题分割网站，然后从这里点击可用的编码器，看看这里有一些选项可用，你可以阅读以了解更多信息，还有一个表格显示了所有编码器以及预训练的权重，例如 ImageNet 是一个非常流行的，这意味着编码器已经在该数据集上进行了训练。它们不一定是地理空间数据。它可以只是照片或其他东西。但是 um，它已经在模型上进行了训练。所以，你学习了一些 um 图像的模式，例如。然后我们可以使用这个 um 作为预训练权重。然后你可以微调模型，使用我们的地理空间数据。所以，这就是使用预训练权重的全部意义，因为它将收敛得更快。好的。所以，嗯，除此之外，你还可以指定通道数，对吧？所以，你有一个图像 um，现在我们使用的是 RGB，但你可以用你的输入数据替换为卫星图像，例如，任何东西，甚至是高光谱，对吧？取决于你的数据有多少个光谱，你想改变这个通道数为你想要的数字，对吧？你可以有 RGB，或者你可以有四波段，带近红外波段或其他东西。所以，你改变这个。所以，不仅仅是 RGB，它可以是三，可以是五或十，取决于输入数据，以及类的数量，是你 um 要检测的类的数量。我们只有建筑物，然后没有建筑物。所以，嗯，背景和前景。所以，类将是两个。但如果你有更多类，那么你可以 um 将类的数量更改为你想要 um 检测的任何类的数量。批次大小基本上是我们之前已经设置的 512 x 512。所以，批次大小是 um，一次你想将多少图像馈送给模型。所以，这取决于 GPU 大小。如果你有一个更大的 GPU，你可以容纳更多，使批次大小更大。你可以容纳更多图像或一次，但它会有点慢。所以，你可以尝试四、六、八，对吧？你可以尝试任何数字。所以，取决于 GPU。所以，八，你可以试试。以及 epoch 的数量，让我运行这个，因为它需要几分钟。所以，epoch 的数量是因为你有 36 个图像块，对吧？所以，每次，想想这里，批次大小是 8，36 除以 8 大约是 4.5。所以，这意味着需要五个批次来完成一个 epoch，一个 epoch 意味着你遍历了所有图像，所有输入数据中的所有图像块。所以，正如我所说，我们有 36 个。所以，这意味着它将是 4.5 次，将完成，这被称为一个 epoch。epoch 的数量意味着你想要遍历它们多少次，对吧？20 个 epoch 意味着你将运行 20 次，20 次，嗯，通常越多越好，但你不需要太多，因为有时，比如 10 到 20 个 epoch 后，模型已经收敛了，你已经获得了很高的准确率，然后你不需要训练太多 epoch，但总的来说，作为经验法则，你至少需要 10、20 或 50 个，但你可以评估性能指标，我稍后会向你展示，如果你已经获得了很高的准确率，那么你不需要训练太多。学习率，学习率基本上是，当模型正在训练时，你需要调整所有参数。所以，参数就是学习率。你想学得更快吗？有时你可能会学得太快，或者你想学得非常慢，但可能需要永远才能完成。所以，这通常设置为 0.01 或 0.01 或类似的东西。你可以使用默认设置。你真的不需要担心。以及 V 阀分割，这意味着验证分割。所以，0.2 意味着我们将 80% 用于训练，20% 用于验证。所以，这是一种规范，通常我们这样做，因为，如果我们没有验证，你的模型将过拟合，这意味着当你将其应用于真实数据时，它可能不会表现得很好。所以，你总是需要留一些数据用于验证，这就是全部。最后一个 vos 等于 2 是你是否想打印出一些输出。所以，这就是模型 um 的样子。我将经历整个过程。我将向你展示。好的，我将使用 CUDA 来训练模型，然后总共有多少张图像，28 张 um 用于训练，然后 um 8 张用于验证，然后大小也一样，因为我有两个 GPU，所以我们将使用两个 GPU 进行训练，我们将使用 unit 架构，race 34，就是这样，这个模型有 2400 万个参数，然后将开始进入每个 epoch，对吧？所以，epoch 1，我们总共有 20 个，所以批次大小 1 到 4，对吧？所以，我们将向你展示，正如我之前提到的，所以我们将至少有，我认为是五个 epoch，所以 1 到 5，还将向你展示训练损失和验证损失。所以，这是你想要关注的。所以，整体 um 趋势是你希望看到 IOU 应该增加，损失应该减少，IOU 和骰子分数，基本上 F1 分数应该增加。如果你看这里的数字，它看起来相当不错，对吧？所以，在 28 个 epoch 后，我们已经有了 91%，基本上 91% 的 IOU。所以，这非常高。验证分数 um，骰子分数，基本上 F1 是 0.95，甚至更高。所以，这是一个好迹象，意味着模型表现相当好。当然，你可以尝试不同的模型。其他一切都保持不变，除了现在我们正在使用 um，um，um，sack former，以及 renate 1 152，这意味着 um，这是一个不同的模型。所以，模型架构不同，这个模型有 5900 万个参数，这意味着它是一个更大的模型。它需要一点点 um，因为它更大，所以会慢一点。所以，如果你没有更大的 GPU，有时这个会很慢。所以，通常你想先尝试较小的模型，然后如果你有 GPU 来运行它，可以慢慢换成较大的模型。所以，与 unit 模型类似，这个模型也表现得相当好，对吧？只需要两到三个 epoch，准确率 um 就从 50% 增加到 um 74%。一开始得到 50% 的原因是 um 预训练权重。所以，因为我们使用了 ImageNet 预训练权重，否则它需要更长的时间来收敛，因为你没有预训练权重。它将是随机的。所以，我们将找出 um 哪个权重 um 适合 um 模型，就是这样。所以，正如你所看到的，我只需要几秒钟就可以训练模型，一旦模型训练完成，你就会找到输出。所以，你可以看到我们有两个目录 um，unit models 和 sec for models。所以，里面你会找到几个文件。Base model 基本上是准确率最高的那个，基本上是最高的 IOU，以及最终模型是最后一个。所以，正如你从这里看到的，有时最后一个模型不一定是基础模型，因为当它调整参数时，它是随机的。所以，有时结果可能会变差。所以，通常你想要使用基础模型，还有训练历史，我们可以用它来绘制 um，进行验证。所以我这里有一个代码块，你可以去底部的这个，你可以先看看。所以，我们可以运行这个，我将向你展示，对吧？这是损失，这是 IOU。所以，总的来说，你希望看到 IOU 和 F1 分数都在增加。所以，这正是我们期望的。如果值在下降或波动，意味着你的模型实际上表现不佳，那么你可能需要尝试其他东西。看看你的数据，看看是否有任何数据质量 um 问题。好的。所以，这就是如何训练模型和 um 性能。正如我所提到的，只有几个步骤，指定输入数据，创建图像块，然后训练模型，然后评估，对吧？所以，四个步骤，最后一个步骤是实际运行推理。所以，运行推理意味着我们将我们的训练模型应用于新的卫星图像。所以，我们将 um 运行这个。所以，我们将结果保存在这里。所以，只需运行这个代码块，然后调用这个函数 semantic segmentation。然后你可以提供输入。好的。所以，这是我将要测试的图像，这是输出的位置，以及模型路径，我们使用的是基础模型，正如我所提到的。你也可以尝试最终模型，如果你愿意，但使用基础模型将给你最好的结果。最后，这是你想做的。嗯，因为如果你的模型是在 unit 上训练的，你也想使用 unit um 架构进行分割。编码器我们也使用了 rest4。所以，基本上所有参数都应该与你用来训练模型的参数相同。现在我可以运行这个，然后看看。它只需要 1 秒钟，它将基本上将你的图像细分成小块，然后运行推理，之后，你将合并所有结果，这是一个单一的栅格。所以，它将为你节省大量时间。你不需要担心如何将它们全部放在一起，或者如何像其他包那样切割成块。有很多步骤，但对我们来说，这只是一个步骤，一个函数，然后我们就完成了。嗯，一旦你完成了，你就可以可视化它。所以，对于这个图像，它实际上只是一个二进制图像。所以，如果你想看到它 um，你可以让我在这里运行它。我可以只说 view goi dot view roster。好的，然后你只需要提供图像。所以，嗯，我们使用的图像，我们在这里看到 um，它将是这个掩码路径。好的。所以，这是我们生成输出的图像，然后，对于底图，你可以提供 um 测试 um 栅格路径。糟糕。所以，现在，让我看看这里，后端。所以，我的 notebook 有点问题。所以我将使用，也许是 volume，这样你就可以显示地图，如果你不使用 colab，它应该没问题。所以，看看。所以，现在我们有了这个。所以，我们有了 um 检测结果。它还不错。我们只训练了几轮。所以，你可以看到结果。所以，这是二进制图像，黑白。如果你愿意，你可以将黑色变成零。所以，我们需要做的是基本上 um shift tab 这里，然后指定 no data 为零，我相信。所以，no data 等于零。让我们再试一次。好的。所以，没有太大改善。所以，现在我们有了 um 使用这个图像检测到的建筑物。所以，白色代表建筑物检测 um 结果。你可以打开和关闭它。就像我说的，它并不完美，只是一个演示，只是一个例子，因为我只训练了 20 个 epoch，而且我只使用了一个小的 um 卫星图像。实际上，通常你需要训练多个图像。所以，它涵盖了各种 um 用例或不同的形状，不同的几何形状，建筑物，否则你只会擅长建筑物，这种类似的结构。但至少，我们只花了很短的时间，我们只得到了建筑物，就这样。所以，这是一个二进制掩码，但有时你可能想看看概率，这在深度学习中很常见，因为 um，你想调整开关，这样你就可以看到模型对检测有多自信。如果是这种情况，如果你想要这个，你可以指定一个叫做 probability path 的参数。所以，这个是可选的。不是必需的。如果你不指定它，它只会输出一个单一的栅格。所以，正如你所看到的，我们可以 um 输出 um 概率，然后我们可以做同样的事情。我们可以可视化它。所以，类似地，因为我有一些 IP lift 的问题，我将使用 volume，如果我运行它，然后，所以现在这个你应该看到 um，一种渐变。所以，这不仅仅是二进制的。所以，你可以看到从白色到 um 淡白色的过渡。所以，它不是完全白色的，尤其是在一些位置。所以，你可以清楚地看到，如果模型不是超级自信，你将 um 得到较低的概率，这就是 um，你没有看到 um 超级明亮，因为它概率低。所以，这是可选的输出，有时如果你想看看模型有多自信，你可以指定它来 um 获取概率，然后你可以自己进行调整，而不是 um 立即导出二进制数据。好的，最后，如果你想指定一个阈值，就像我说的，这张图像会给你一个从 0 到 1 的概率图，但如果你也想设置一个，例如，任何大于 0.3 或 0.5 的，你想将其设置为建筑物，那么你可以指定这个概率阈值。所以，对我来说，我只是说三，但你可以调整它。这样它就不会使用模型，比如 um um，所以，um，最大概率，因为有时你可能会错过很多建筑物。如果是这种情况，那么你可以将这个阈值更改为一个小得多的值，这样你就可以检测到更多的建筑物，但你可能会得到很多假阳性数据。所以，这就是关于推理。所以，从训练模型到运行推理，但我们得到的结果基本上只是一个栅格图像。所以，如果你正在做物体检测或分割，最后你可能想要矢量化输出，矢量化，因为你可能想计算有多少建筑物，你想计算有多少游泳池，有多少太阳能电池板，对吧？所以，栅格本身并没有给你单个物体。所以，你可以做的是调用 um，将其转换为矢量。所以，有一个函数叫做 oonalize。这是一个可以帮助你 um 将建筑物矩形化的函数，这样它看起来更好。所以，输入将只是栅格掩码。基本上是我们的 um 深度学习模型输出，你可以将其转换为 um 矢量，以及 um epsilon，基本上是 um，平滑度，你希望你的建筑物多边形有多平滑。数字越大，越平滑，数字越小，有时如果你不想要任何平滑，那么你将 um epsilon 设置为零，那么它就不会平滑结果。所以，对我们来说，它将基本上计算有多少图像区域，然后将其转换为建筑物。所以，总共有 1289 个建筑物，就是这样。它将从栅格转换为矢量。然后你还可以调用这个函数 add geometry properties。这意味着你想 um 计算矢量数据的一些几何属性。这样你就可以看到这些建筑物有多大。所以，让我快速运行这个。完成了。然后最后一步是我们可以可视化 um，栅格和矢量在一起。再次，我将使用 volume，因为 iPad 存在问题。所以，这里你应该能够看到栅格。所以，这是掩码。嗯，白色是我们检测到的。它并不完美。就像我说的，我们只训练了一个图像，形状，D 看起来确实很不一样，因为在训练数据中，我们没有真正的大型建筑物。所以，它在这里表现不是很好。嗯，这就是我们期望的。可以改进。你可以纳入更多训练数据。所以，一旦你有了这个二进制掩码，然后我们也可以叠加矢量数据 um，或者只是可视化矢量数据。所以，看看，这就是我们拥有的。我们还创建了 um，价格图。蓝色代表 um 小型建筑物，黄色代表大型建筑物。所以，你可以看到，对吧？所以，一旦你将建筑物矩形化，它看起来相当不错。当然，你会有一些 um 小小的建筑物。就像我说的，你可以做一些后处理。嗯，你可以移除一些小的物体。如果你已经知道这些建筑物有多大，比如常见的尺寸，那么你可以移除其中一些。但是 um，这看起来相当不错。嗯，就像我们只花了很短的时间来训练和运行。而且，对于一些较大的建筑物，这些实际上并没有出现在我们的训练数据中，但模型仍然能够实际检测到这些建筑物，如果你有鼠标，你可以看到所有属性，对吧？你可以看到 um 大小，长度，周长边界框，还有方向，偏心率等等。所以，这些是使用 geometric properties 函数计算的一些几何属性。这相当 um 直接且易于 um 使用。好的。所以，正如我所提到的，如果你需要清理，对吧？所以，这里有一些小的，它们不是真正的建筑物，你可能想清理一下。所以，你可以设置，例如，大小大于 50 平方米，因为你有很多假阳性，那么你可以运行这个，它将得到更干净的结果。所以，我们可以再次可视化 um，结果。嗯，这样我们就只得到相对较大的建筑物，但你也可能错过一些建筑物。就像我说的，训练模型更多 epoch，然后应用 um um um 数据到你的 um 数据，看看 um 它的表现如何。所以，这是过滤后的结果。嗯，最后一步是创建一个分割图来比较结果。嗯，看这里，我有一个底图，后端 jackable。所以，让我看看，对吧？它可能不起作用。嗯，我的 notebook 有点问题。是的。总之，它不起作用。所以我不能真的给你看。也许我可以重启 um 内核，然后我给你看这个 um，这个 speedy map。好的，我已经重启了 notebook。所以，现在它起作用了。你可以看到我有了这个分割图。你可以比较 um，提取的建筑物足迹和 um 卫星图像。它相当不错。嗯，但我们没有花很多时间。所以，你可以看到建筑物足迹有多干净。嗯，有一些繁忙的建筑物，就像正常的，你需要训练 um 模型 um，多几个 epoch，那么它应该会好得多，而且你还可以看到所有形状的几何形状，以及所有 um 大小，方向，一切都已计算。所以，输出 gojson 包含所有地理信息 um，对于每个建筑物。所以，它很容易使用，这就是全部。嗯，就像我说的，如果你想将其定制为你自己的数据，你所要做的基本上就是在这里。所以，如果你有来自 um 互联网的数据，你可以指定这个，然后下载数据。如果你没有，那么你只需要替换这三个 um 变量。所以，栅格路径指向你本地计算机上的数据。嗯，矢量 um 路径。所以，这个可以是矢量，也可以是栅格。基本上是 um 掩码或标签，以及你想测试的数据。就是这样。嗯，然后其他一切都保持不变。但它可以用来检测建筑物、树木或任何东西，只要你想做一些图像分割。你有一个二进制类。这就是工作流程，对吧？所以，再次，让我从这里重新开始，然后我可以向你展示 um 步骤，对吧？所以，导入库，然后 um，下载一些示例数据或使用你自己的数据，然后它将是训练模型。所以，只需要一个步骤，或者你需要创建训练数据和图像，然后训练模型，运行推理。可选地，你可以有一个概率底图，然后你可以做一些后处理，然后可视化结果。所以，希望 um，这是一个更容易的工作流程。你可以开始。所以，如果你是新手，或者你有任何问题，遇到任何问题，请随时在下方留下评论。我一定会回答每一个问题，每一个评论，你有的。我希望 um，这能帮助你开始。我还有很多教程 um，向你展示更多 um 用例。我认为已经有 40 或 50 个教程了。如果你想了解更多，也欢迎你查看我的 YouTube 频道。所以，这里我还有一个研讨会，大约 2 小时，涵盖了许多常见用例，或者你也可以去 um YouTube 频道。所以，我有一个一个的教程，向你展示如何 um 使用它。如果你是 Python 新手，想学习如何使用 Python，那么我建议你查看我的书，链接也在下面的视频描述中，向你展示如何开始使用 Python 和开源包。它在 um Amazon 上有售，也有 PDF 版本，可在链接上找到。所以，再次，查看视频描述中的链接，并留下任何评论。如果你有任何问题，或者你想要任何功能或任何视频教程，我将尽力 um 为你录制视频。好的，就是这样。非常感谢。下次再见。