ดาวน์โหลด segment geospatial - ดาวน์โหลดซอร์สโค้ด segment geospatial

segment geospatial

โค้ดแหล่งที่มา AI

v0.12.3

ดาวน์โหลด

ส่วนภูมิสารสนเทศ

แพ็คเกจ Python สำหรับการแบ่งส่วนข้อมูลเชิงพื้นที่ด้วย Segment Anything Model (SAM)

การแนะนำ

แพ็คเกจ ภูมิสารสนเทศแบบเซ็กเมนต์ ได้รับแรงบันดาลใจจากพื้นที่เก็บข้อมูลแบบเซกเมนต์-อะไรก็ได้-eo ที่เขียนโดย Aliaksandr Hancharenka เพื่ออำนวยความสะดวกในการใช้ Segment Anything Model (SAM) สำหรับข้อมูลเชิงพื้นที่ ฉันได้พัฒนาแพ็คเกจ Python แบบเซ็กเมนต์อะไรก็ได้ py และเซ็กเมนต์เชิงพื้นที่ ซึ่งขณะนี้สามารถใช้งานได้บน PyPI และ conda-forge วัตถุประสงค์หลักของฉันคือลดความซับซ้อนของกระบวนการใช้ประโยชน์จาก SAM สำหรับการวิเคราะห์ข้อมูลเชิงพื้นที่โดยทำให้ผู้ใช้สามารถบรรลุเป้าหมายนี้โดยใช้ความพยายามในการเขียนโค้ดเพียงเล็กน้อย ฉันได้ดัดแปลงซอร์สโค้ดของเซ็กเมนต์ภูมิสารสนเทศจากพื้นที่เก็บข้อมูลเซกเมนต์-อะไรก็ได้-eo และเครดิตสำหรับเวอร์ชันดั้งเดิมไปที่ Aliaksandr Hancharenka

ซอฟต์แวร์ฟรี: ใบอนุญาต MIT
เอกสารประกอบ: https://samgeo.gishub.org

การอ้างอิง

Wu, Q. และ Osco, L. (2023) samgeo: แพ็คเกจ Python สำหรับการแบ่งส่วนข้อมูลเชิงพื้นที่ด้วย Segment Anything Model (SAM) วารสารซอฟต์แวร์โอเพ่นซอร์ส , 8(89), 5663 https://doi.org/10.21105/joss.05663
ออสโก, LP, อู๋, คิว., เด เลมอส, เอล, กอนซาลเวส, ดับเบิลยูเอ็น, รามอส, เอพีเอ็ม, ลี, เจ., และจูเนียร์, เจเอ็ม (2023) Segment Anything Model (SAM) สำหรับแอปพลิเคชันการสำรวจระยะไกล: จากศูนย์ถึงหนึ่งช็อต วารสารระหว่างประเทศของการสังเกตการณ์โลกประยุกต์และข้อมูลทางภูมิศาสตร์ , 124, 103540 https://doi.org/10.1016/j.jag.2023.103540

คุณสมบัติ

ดาวน์โหลดไทล์แผนที่จากเซิร์ฟเวอร์ Tile Map Service (TMS) และสร้างไฟล์ GeoTIFF
แบ่งกลุ่มไฟล์ GeoTIFF โดยใช้ Segment Anything Model (SAM) และ HQ-SAM
แบ่งส่วนภาพการสำรวจระยะไกลด้วยข้อความแจ้ง
สร้างเครื่องหมายเบื้องหน้าและพื้นหลังแบบโต้ตอบ
โหลดเครื่องหมายที่มีอยู่จากชุดข้อมูลเวกเตอร์
บันทึกผลลัพธ์การแบ่งส่วนเป็นรูปแบบเวกเตอร์ทั่วไป (GeoPackage, Shapefile, GeoJSON)
บันทึกข้อความแจ้งอินพุตเป็นไฟล์ GeoJSON
แสดงภาพผลการแบ่งส่วนบนแผนที่เชิงโต้ตอบ
แบ่งกลุ่มวัตถุจากภาพการสำรวจระยะไกลแบบอนุกรมเวลา

การติดตั้ง

ติดตั้งจาก PyPI

Segment-Geospatial มีอยู่ใน PyPI หากต้องการติดตั้ง Segment-Geospatial ให้รันคำสั่งนี้ในเทอร์มินัลของคุณ:

pip install segment-geospatial

ติดตั้งจาก conda-forge

ส่วน geospatial ยังมีอยู่ใน conda-forge หากคุณติดตั้ง Anaconda หรือ Miniconda บนคอมพิวเตอร์ของคุณ คุณสามารถติดตั้งเซกเมนต์เชิงพื้นที่โดยใช้คำสั่งต่อไปนี้ ขอแนะนำให้สร้างสภาพแวดล้อม conda ใหม่สำหรับ เซ็กเมนต์เชิงพื้นที่ คำสั่งต่อไปนี้จะสร้างสภาพแวดล้อม conda ใหม่ชื่อ geo และติดตั้ง ส่วน geospatial และการขึ้นต่อกัน:

conda create -n geo python
conda activate geo
conda install -c conda-forge mamba
mamba install -c conda-forge segment-geospatial

หากระบบของคุณมี GPU แต่คำสั่งข้างต้นไม่ได้ติดตั้ง pytorch เวอร์ชัน GPU คุณสามารถบังคับการติดตั้ง pytorch เวอร์ชัน GPU ได้โดยใช้คำสั่งต่อไปนี้:

mamba install -c conda-forge segment-geospatial " pytorch=*=cuda* "

Samgeo-geospatial มีการอ้างอิงทางเลือกบางอย่างที่ไม่รวมอยู่ในสภาพแวดล้อม conda เริ่มต้น หากต้องการติดตั้งการขึ้นต่อกันเหล่านี้ ให้รันคำสั่งต่อไปนี้:

mamba install -c conda-forge groundingdino-py segment-anything-fast

ตัวอย่าง

การแบ่งส่วนภาพการสำรวจระยะไกล
สร้างมาสก์วัตถุโดยอัตโนมัติ
การแบ่งส่วนภาพการสำรวจระยะไกลด้วยการป้อนข้อมูล
การแบ่งส่วนภาพการสำรวจระยะไกลด้วยกล่องข้อความแจ้ง
การแบ่งส่วนภาพการสำรวจระยะไกลด้วยข้อความแจ้ง
การแบ่งส่วนเป็นกลุ่มพร้อมข้อความแจ้ง
การใช้เซ็กเมนต์เชิงพื้นที่กับ ArcGIS Pro
การแบ่งส่วนสระว่ายน้ำพร้อมข้อความแจ้ง
การแบ่งส่วนภาพถ่ายดาวเทียมจากโปรแกรม Maxar Open Data

การสาธิต

เครื่องกำเนิดหน้ากากอัตโนมัติ

การแบ่งส่วนเชิงโต้ตอบพร้อมข้อความแจ้งการป้อนข้อมูล

ป้อนข้อมูลพร้อมท์จากไฟล์ที่มีอยู่

การแบ่งส่วนเชิงโต้ตอบพร้อมข้อความแจ้ง

บทช่วยสอน

วิดีโอสอนมีอยู่ในช่อง YouTube ของฉัน

การสร้างหน้ากากอัตโนมัติ

การใช้ SAM กับ ArcGIS Pro

การแบ่งส่วนเชิงโต้ตอบพร้อมข้อความแจ้ง

การใช้ SAM กับ GIS บนเดสก์ท็อป

QGIS : ตรวจสอบปลั๊กอินคุณสมบัติทางเรขาคณิตสำหรับ QGIS เครดิตเป็นของ Bjorn Nyberg
ArcGIS : ลองดูกล่องเครื่องมือ Segment Anything Model (SAM) สำหรับ ArcGIS และแหล่งข้อมูลสำหรับการปลดล็อกพลังของแอปพลิเคชันการเรียนรู้เชิงลึกโดยใช้ ArcGIS เครดิตไปที่ Esri

ทรัพยากรคอมพิวเตอร์

Segment Anything Model มีความเข้มข้นในการคำนวณ และแนะนำให้ใช้ GPU ที่ทรงพลังเพื่อประมวลผลชุดข้อมูลขนาดใหญ่ ขอแนะนำให้มี GPU ที่มีหน่วยความจำ GPU อย่างน้อย 8 GB คุณสามารถใช้ทรัพยากร GPU ฟรีที่ Google Colab มอบให้ได้ หรือคุณสามารถสมัคร AWS Cloud Credit for Research ซึ่งเสนอเครดิตระบบคลาวด์เพื่อสนับสนุนการวิจัยทางวิชาการ หากคุณอยู่ในภูมิภาค Greater China สมัคร AWS Cloud Credit ที่นี่

ประกาศทางกฎหมาย

พื้นที่เก็บข้อมูลนี้และเนื้อหามีไว้เพื่อวัตถุประสงค์ทางการศึกษาเท่านั้น การใช้ข้อมูลและรหัสที่ให้มา ผู้ใช้รับทราบว่าพวกเขากำลังใช้ API และโมเดลด้วยความเสี่ยงของตนเอง และตกลงที่จะปฏิบัติตามกฎหมายและข้อบังคับที่เกี่ยวข้อง ผู้ใช้ที่ต้องการดาวน์โหลดไทล์รูปภาพจำนวนมากจากแผนที่ฐานใดๆ โปรดติดต่อผู้ให้บริการแผนที่ฐานเพื่อขออนุญาตก่อนดำเนินการดังกล่าว การใช้แผนที่ฐานหรือส่วนประกอบใดๆ โดยไม่ได้รับอนุญาตอาจเป็นการละเมิดกฎหมายลิขสิทธิ์หรือกฎหมายและข้อบังคับอื่นๆ ที่เกี่ยวข้อง

มีส่วนร่วม

โปรดดูแนวทางการมีส่วนร่วมสำหรับข้อมูลเพิ่มเติม

รับทราบ

โครงการนี้อิงจากงานที่ได้รับการสนับสนุนบางส่วนจากองค์การบริหารการบินและอวกาศแห่งชาติ (NASA) ภายใต้แกรนท์หมายเลข 80NSSC22K1742 ที่ออกผ่านโปรแกรม Open Source Tools, Frameworks และ Libraries 2020

โปรเจ็กต์นี้ยังรองรับโดย Amazon Web Services (AWS) นอกจากนี้ แพ็คเกจนี้ยังเกิดขึ้นได้จากโครงการโอเพ่นซอร์สต่อไปนี้ เครดิตตกเป็นของผู้พัฒนาโครงการเหล่านี้