Вопрос или проблема
Я хотел бы протестировать некоторые техники глубокого обучения для извлечения контуров зданий из аэрофотоснимков. Я нашел много ссылок, связанных с этой проблемой (здесь, или здесь), но только с указанием архитектуры модели и процесса обучения.
У меня нет легкого доступа к оборудованию для обучения модели. Поэтому я искал существующие веса модели (файлы hdf5 или onnx из передовых работ) или готовые скрипты, которые я мог бы использовать в неизменном виде для тестов.
Знаете ли вы какие-либо репозитории или библиотеки с такими весами модели?
Мне не нужно классифицировать объекты на изображении, а только идентифицировать здания (бинарная классификация).
Вы можете запускать .py и .ipynb, если у вас нет доступа к оборудованию через Google colab. Этот способ позволяет тренировать большинство нейронных сетей, размещенных на github.
Также я нашел эту предобученную сеть с утилитами для импорта нейронной сети в формате .ONNX: https://github.com/cuicaihao/aerial-image-segmentation/
Я запустил export_onnx.py в Collab, добавив opset_version=11 к аргументам torch.onnx.export, и получил .ONNX для сегментационной сети.
Ответ или решение
Да, существует несколько ресурсов и репозиториев, которые предоставляют предобученные веса моделей для сегментации зданий на аэрофотоснимках. Это обеспечивает возможность эффективного использования глубокого обучения для извлечения контуров зданий без необходимости в мощном аппаратном обеспечении для обучения моделей с нуля.
1. Предобученные модели
a. Aerial Image Segmentation
Одним из полезных репозиториев является aerial-image-segmentation. Здесь вы можете найти предобученную сеть, а также утилиты для импорта нейронной сети в формате ONNX. Этот подход позволяет вам воспользоваться уже обученной моделью для тестирования и сегментации зданий. Вы можете запустить скрипт export_onnx.py в Google Colab, что позволяет избежать необходимости в локальном аппаратном обеспечении.
b. DeepLab
Модель DeepLab, особенно в своих более новых версиях (DeepLabV3 и DeepLabV3+), может быть использована для сегментации зданий из спутниковых и аэрофотоснимков. Библиотеки, такие как TensorFlow и PyTorch, предлагают предобученные версии этой архитектуры. На сайте TensorFlow Model Garden можно найти предобученные модели и натренироваться на своих данных с использованием transfer learning.
2. Использование Google Colab
Если вы ограничены в аппаратных ресурсах, Google Colab предоставляет возможность выполнять код с использованием GPU, что значительно ускоряет процессы обучения и тестирования. Вы можете найти множество репозиториев на GitHub с кодом и весами модели, которые могут быть запущены в Colab. Просто помните, что для запуска потребуется настроить окружение с необходимыми библиотеками.
3. Другие репозитории и модели
Есть и другие репозитории, которые стоит рассмотреть:
-
SegNet: Это еще одна распространенная архитектура, используемая для сегментации изображений. Предобученные веса можно найти в различных репозиториях, которые предоставляют модели для работы с аэрофотоснимками.
-
U-Net: Эта архитектура часто применяется в задачах медицинской сегментации, однако её также можно адаптировать для аэрофотоснимков. Существуют модели, предоставляющие предобученные веса, которые можно загрузить и тестировать.
4. Заключение
В заключение, если вы хотите облегчить задачу сегментации зданий на аэрофотоснимках, используйте существующие предобученные модели и репозитории, такие как приведенные выше. Это не только сэкономит ваше время, но и позволит сосредоточиться на оптимизации и тестировании ваших глубоких обучающих техник. Рекомендуется также подписываться на сообщества в области компьютерного зрения и глубокого обучения, чтобы быть в курсе последних новостей и инструментов, доступных для этой области.
Если у вас есть конкретные вопросы по работе с этими моделями или требуется дополнительная информация, не стесняйтесь спрашивать.