Le portail francophone de la géomatique

Bonjour

Désolé de répondre à une question par une autre question mais pour vous indiquer plus précisément comment utiliser le code et les données IA/OCSGE pouvez-vous préciser quel est votre cas d'utilisation et ce que vous souhaitez faire ?
Plus précisément :
* Est-ce que vous voulez entraîner un modèle IA deep learning à partir du jeu d'apprentissage déjà fourni ?
* Ou bien êtes-vous seulement intéressé par utiliser un modèle IA déjà entraîné pour prédire sur des données images/ortho ?
* Ou alors est-ce que vous souhaitez dérouler l'ensemble des étapes : préparation de données IA / Entraînement de modèle / Inférence à partir d'un modèle entraîné ?
Selon les cas il n'est pas nécessaire d'utiliser tout les outils disponibles dans odeon-landcover.

En attendant que vous précisiez plus votre besoin voici déjà quelques informations sur les outils odeon-landcover et données IA disponibles en  téléchargement correspondant au déroulé d'un processus complet : préparation de données IA , entraînement de modèle deep learning puis inférence.

Préparation des données
En entrée on dispose :
   a - de données images (images ortho rvb et/ou IRC )
   b- d'une données vérité terrain correspondante (fichiers vecteurs sur les différentes zones d'intérêt par classes de la nomenclature à apprendre)
En sortie :
   ensemble de couples de vignettes (petites images de 256*256 pixel par exemple) avec  une vignette correspondant aux données images et une autre   au masques de segmentation (classe) en format raster.
Pour cette étapes on utilise : 
  1 - un des outils Grid Sampling ou Systematic Sampling pour échantillonner les emprises des vignettes
  2 - "dataset génération" pour préparer les vignettes (découpages des images et rastersation des données vecteur en masque raster).

Pour récupérer les données en entrée de cette étape il faut télécharger : "Annotation Gers 2019" et les données ortho correspondantes (BDOrtho 2019 gers).  Les données en sortie (vignettes) peuvent être téléchargées directement  :  "Jeu de données Deep Learning 2019" partie 1 et 2. Cette étape est donc facultative si vous êtes simplement intéressé par entraîner un modèle deep learning mais nécessaire si vous voulez préparer des données d'apprentissage différentes (regroupement de classes etc..)

Entraînement d'un modèle deep learning
En entré : jeux d'apprentissage sur forme de couple de vignette image+masque segmentation.
En sortie : fichier de paramètres pour modèle deep learning (fichier *.pth).
L'outil odeon-landcover correspondant est "Training".
Pour récupérer les données en entrée de cette étape il faut télécharger  "Jeu de données Deep Learning 2019" partie 1 et 2 ou bien effectuer l'étape précédente soit même. Un exemple de données en sortie de cette étape est disponible en téléchargement dans : "Modèle Deep learning départemental 2019".
REM : le format du jeux d'apprentissage n'est pas spécifique à odeon-landcover et peut probablement être adapté assez simplement pour utiliser un autre code d’entraînement deep learning si vous préférez. Ce format de type couple de vignettes est un format assez standard pour les jeux d'apprentissage deep learning (en tâches de segmentation image).
REM  : pour cette partie il faut avoir accès à un GPU compatible entraînement deep learning.

Utilisation d'un modèle deep learning/inférence
En entré : fichier de paramètres pour modèle deep learning (fichier *.pth) et données images sur la zone on on souhaite avoir la segmentation deep learning
En sortie : données raster du résultats de segmentation deep learning (format vignnette/patch) ou bien zone (dalle kilométrique par exemple).
L'outil odeon-landcover correspondant est "Detection".
Les données résultantes sur le Gers sont disponibles en téléchargement dans "Predictions complète Deep learning 2019 - 2016".
REM : Les modèles deep learning fournis sont entraînés seulement sur les données du département GERS et il y a donc très peu de chance que leur utilisation sur des départements différents donne d'aussi bons résultats (type de paysages et dates de prise de vue différentes)

Le code odeon-landcover est seulement utilisé pour la partie deep learning et il n'y a donc pas les données/codes correspondants aux post-traitements de ces résultats et à la génération de données OCSGE vecteur.

Dernière modification par nicolas david (Fri 12 August 2022 12:05)

Rebonjour, pour l'étape prédiction, j'ai constaté que tous les modèles que j'ai entraîné je constate genèrent des images à 1 channel alors que vos modèles génèrent des prédictions avec 1 seul canal (que je suppose censé représenter l'argmax) alors que vos modèles en télèchargement contiennent 15 canaux. Comment je peux faire pour obtenir 15 canaux ? (car avec un seul canal j'arrive pas à retrouver des bonnes prédictions).
Merci

Bonjour,

Les travaux de l'IGN semblent avancer correctement:
https://preprod-cosia.ign.fr/

Ce petit site est très pédagogique.

Bonne journée!