GeoSeg-PV-models
веса для поиска солнечных панелей на спутниковых снимках
2 мин чтенияобновлено
Коллекция обученных весов для сегментации (разделения изображения на объекты) отдельных фотоэлектрических модулей на спутниковых снимках сверхвысокого разрешения. Модели основаны на различных архитектурах компьютерного зрения (таких как UNetFormer, FT-UNetFormer, DCSwin и MANet) с поддержкой модуля тонкой оптимизации (FOM). На выходе инструмент выдает покадровые маски, определяющие расположение солнечных панелей относительно фона. Разработка пригодится исследователям, инженерам и специалистам по геопространственным данным для анализа солнечной энергетики и оценки потенциала крыш.
Ключевые особенности
- 10 различных архитектур сетей с модулем FOM и без него.
- Обучение на высококачественных спутниковых снимках Google с разрешением около 0.1 м.
- Высокие показатели метрик F1 (до 0.952) и IoU (до 0.908) для лучших конфигураций.
- Открытая лицензия Creative Commons Attribution 4.0 (CC BY 4.0) для коммерческого и некоммерческого использования.
Что можно сделать
- Запустить инференс на спутниковых изображениях для автоматического обнаружения солнечных панелей.
- Усреднять прогнозы нескольких моделей или сплитов для повышения точности сегментации.
- Интегрировать веса в геопространственные пайплайны на базе репозитория GeoSeg-PV.
Пример
from huggingface_hub import hf_hub_download
from geoseg.pv import load_model, predict_proba
path = hf_hub_download('nikolukac/GeoSeg-PV-models', 'ftunetformer_fom/fold0.safetensors')
model = load_model(path, device='cuda')
pv = predict_proba(model, rgb, device='cuda') >= 0.5 # rgb: uint8 array (H, W, 3), any size
Подробнее
• Метрики: лучшая конфигурация ftunetformer_fom показывает F1 0.952 ± 0.008 и IoU 0.908 ± 0.014.• Требования: поддерживается работа на GPU через CUDA, входные данные — 8-битные RGB изображения, нормализованные по стандартам ImageNet.
• Детали обучения: оптимизатор AdamW с Lookahead, функции потерь soft cross-entropy и Dice.
• Объем: 85 файлов, суммарный размер 11.2 ГБ.










Комментарии