Deepness-Alternativen: 5 Möglichkeiten für Deep Learning auf Bilddaten in QGIS

Deepness führt ein Deep-Learning-Modell innerhalb von über ein raster aus, Kachel für Kachel, auf Ihrem eigenen Rechner. Es ist kostenlos, unter Apache 2.0 lizenziert, und nichts, was Sie laden, verlässt Ihren Computer. Es gibt außerdem keine Modellauswahl. Sie stellen die ONNX-Datei selbst bereit. Sie öffnen eine Dokumentationsseite, klicken auf einen Link, laden die Datei manuell aus einem universitären Nextcloud-Ordner herunter und suchen sie dann im plugin heraus. Menschen beginnen nach etwas anderem zu suchen, wenn sie keine solche Datei haben oder die Installation der Abhängigkeiten auf ihrem Laptop fehlschlägt.

Die fünf folgenden Tools decken denselben Anwendungsbereich aus einem anderen Blickwinkel ab. Jedes ist verlinkt und jedes bekommt dieselben Fragen gestellt: Was wird installiert, welche Hardware wird benötigt, verlassen die Bilddaten Ihren Rechner, was geht hinein, was kommt heraus und wo scheitert es?

Wir entwickeln hier eines der sechs plugins, AI Segmentation. Unseres beantwortet dieselben Fragen wie die anderen, einschließlich der Frage, wo es scheitert.

Was Deepness tatsächlich ist

Deepness lädt ein neuronales ONNX-Netzwerk und schiebt es in überlappenden Kacheln über ein raster. Anschließend schreibt es das Ergebnis als layer zurück in Ihr Projekt. Es deckt Segmentierung, Objekterkennung, Regression und Super-Resolution ab und lässt Sie Kachelgröße, Überlappung und Nachverarbeitung selbst festlegen.

Das Modellpanel besteht aus einem Textfeld und einer Browse-Schaltfläche. Keine Liste, keine Download-Schaltfläche, keine Galerie innerhalb von QGIS. Sie geben die räumliche Auflösung selbst in Zentimetern pro Pixel ein. Als Ergebnis erhalten Sie einen Speicher-layer, den Sie selbst auf der Festplatte speichern, sobald er Ihnen gefällt.

Sie können es auf alles richten, was QGIS darstellen kann: ein Orthofoto auf der Festplatte oder einen layer eines Online-Anbieters wie Google Satellite. Es gibt außerdem ein Tool zum Export von Trainingsdaten, das ein raster und eine Maske in kleine Kacheln zerschneidet. Das ist der Teil, den viele vergessen.

Nichts verlässt Ihren Computer. Kein Konto, kein API-Schlüssel, kein Netzwerkaufruf während das Modell läuft. Jemand hat am 23. August 2026 den Quellcode des plugins gelesen und jede URL im Code innerhalb eines Kommentars gefunden. Die einzige ausgehende Anfrage von Deepness ist das pip install beim ersten Start. Wenn Sie mit Kundenbilddaten, Verteidigungsbilddaten oder mit etwas arbeiten, das von einem Einkäufer freigegeben werden muss, ist die Sache damit geklärt. Und genau hier schlägt Deepness jedes gehostete Tool weiter unten, einschließlich unseres eigenen.

Deepness bringt keine eigene Erkennungsfunktion mit. Es ist ein Runner, und das Modell müssen Sie selbst mitbringen. Die Lizenz ist Apache 2.0, und das Team dahinter hat das plugin in SoftwareX veröffentlicht, DOI 10.1016/j.softx.2023.101495.

Wo Menschen stecken bleiben

Die Model-ZOO ist eine Seite voller Links. Am 23. August 2026 listete sie 24 Modelle: 9 für Segmentierung, 6 für Objekterkennung, 8 für Super-Resolution, 1 für Erkennung und keines für Regression. Fünfzehn davon liegen in einem Nextcloud-Ordner der Universität Poznan, eines bei Fraunhofer, acht in GitHub-Releases, und jedes ist ein manueller Download. Die Trainingsauflösungen reichen von 0,5 cm pro Pixel bis 1000. Wenn Sie mit 20 cm arbeiten, passen ungefähr zwei der sechzehn Aufgabenmodelle zu Ihnen. Es gibt kein weltweites Gebäudemodell und kein weltweites Vegetationsmodell. Die beiden Gebäudeoptionen sind ein RampDataset-Modell mit 40 cm pro Pixel und ein Land-Cover-Modell, auf dessen eigener Seite steht: "Der Datensatz deckt nur das Gebiet von Polen ab, daher kann die Leistung in anderen Teilen der Welt schlechter sein".

Sie geben die Auflösung ein, und nichts prüft sie. Das Feld erwartet Zentimeter pro Pixel, das plugin vertraut Ihrer Zahl und vergleicht sie nie mit dem layer. Ein falscher Wert führt zu Exception: Unsupported layer units oder ValueError: cannot convert float NaN to integer, wobei der Traceback in der Python-Konsole steht, die die meisten QGIS-Nutzer nie öffnen. In Issue #183 schrieb ein Maintainer, dass "es sich lohnt, eine Plausibilitätsprüfung in den Code einzubauen, um eine verständliche Fehlermeldung zu erzeugen". Bei der Lektüre am 23. August 2026 war die Prüfung noch immer nicht im Code. Der stille Fehler kostet mehr als der Absturz. In Discussion #176 fand ein Nutzer überhaupt nichts, bis er, in seinen Worten, "das plugin angelogen und gesagt hat, dass die Pixel 10 cm groß sind".

Ein Nutzer hat die Geschwindigkeit gemessen. In Issue #192, das seit dem 15. November 2024 offen ist, führte ein Nutzer ein ZOO-Modell über eine Orthofoto-Kachel mit 5000 mal 5000 Pixeln bei 20 cm aus, auf einem Ryzen 7 5800X mit einer GTX 1660 Ti. Die CPU brauchte 80 Minuten. Dieselbe Kachel auf der Grafikkarte brauchte 61 Sekunden. Ein Rechner, ein Modell, eine Kachel. Lesen Sie das daher als seine Messung und nicht als Benchmark. Es ist trotzdem das Nächstliegende zu einer veröffentlichten Antwort auf die Frage: "Kann ich das auf dem Bürolaptop machen?"

CPU funktioniert, und CUDA ist eine Linux-Geschichte. Ein Rechner ohne Grafikkarte führt Deepness aus, weil ONNX Runtime selbstständig auf die CPU zurückfällt. Das Installationsprogramm lädt den GPU-Build nur unter Linux. Unter Windows und macOS installiert es einfach onnxruntime. Der Maintainer schrieb dasselbe in Issue #192: "Unter Windows ist es uns nicht gelungen, es mit GPU auszuführen, und es ist komplizierter. Daher installiert Deepness nur onnxruntime statt onnxruntime-gpu."

Die Installation der Abhängigkeiten ist die übliche Hürde. Deepness installiert OpenCV und ONNX Runtime per pip, wenn Sie es zum ersten Mal öffnen. Unter macOS scheitert es seit #54 vom 20. Oktober 2022, und #209 ist unter Sequoia noch immer offen. Der Maintainer antwortete: "Leider haben wir kein macos zum Testen." Unter QGIS 3.44 berichtet #235 A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, weil das plugin weiterhin numpy<2.0.0 festlegt und QGIS NumPy 2.4.3 mitliefert. Hinter einem Unternehmensproxy endet #197 bei certificate verify failed: self-signed certificate in certificate chain, danach bei ERROR: No matching distribution found for opencv-python. Als es bei mir funktionierte, dauerte es ungefähr zwanzig Minuten. Beim ersten Versuch scheiterte es sowohl auf einem Mac als auch auf einem Windows-Rechner.

Es gibt keine Abbrechen-Schaltfläche. Issue #230 wurde am 14. Januar 2026 eröffnet und ist noch immer offen. Sobald ein Lauf startet, warten Sie.

Dokumentation und plugin sind zwei verschiedene Dinge. Die Dokumentationsseite wird aus einem Branch gebaut, der nie veröffentlicht wurde. Das plugin, das Sie aus dem QGIS Marketplace installieren, ist Version 0.6.5, hochgeladen am 10. Dezember 2024.

Nichts davon macht Deepness zu einem schlechten Tool. Es macht es zu einem Tool für jemanden, der bereits ein trainiertes Modell und eine funktionierende Python-Umgebung hat.

Die Alternativen

1. Deepness, die Ausgangsbasis

• Installation. Plugin-Manager, danach OpenCV und ONNX Runtime beim ersten Start. Wenn es funktioniert, etwa zwanzig Minuten. Unter macOS scheitert es seit Oktober 2022.
• Läuft auf. Ihrem Rechner, mit CPU oder CUDA. Der GPU-Build wird in der Praxis nur unter Linux installiert. Kein Konto, kein API-Schlüssel und kein Netzwerkaufruf, sobald es läuft.
• Eingabe und Ausgabe. Jeder raster-layer, einschließlich einer XYZ- oder WMS-Basiskarte, plus eine ONNX-Datei, die Sie manuell herunterladen. Als Ausgabe erhalten Sie einen Speicher-layer, den Sie selbst speichern.
• Kosten. Kostenlos, Apache 2.0, veröffentlicht in SoftwareX unter DOI 10.1016/j.softx.2023.101495.
• Wo es scheitert. Außerhalb der Trainingsdaten des Modells, das Sie geladen haben. Ein Gebäudemodell, das mit 40 cm pro Pixel trainiert wurde, erkennt keinen Drohnenflug mit 5 cm, und das plugin kann Sie davor nicht warnen. Geben Sie die falsche Auflösung ein, stürzt es entweder ab oder findet nichts.

Repository und Dokumentation.

2. Geo SAM

• Installation. Plugin-Manager. Das plugin verwaltet seine Abhängigkeiten selbst und lädt die Modell-Checkpoints innerhalb von QGIS herunter. Sie müssen daher keine pip-Befehle eingeben.
• Läuft auf. Ihrem Rechner, standardmäßig mit GPU-Beschleunigung und einem funktionierenden CPU-Pfad. Kein Konto.
• Eingabe und Ausgabe. Einer raster-Datei oder einem XYZ-, WMS- oder WMTS-layer. Als Ausgabe erhalten Sie ein Polygon pro prompt, ausgehend von einem Klick oder einer Box.
• Kosten. Kostenlos, MIT.
• Wo es scheitert. Der erste prompt auf einem neuen Bild ist langsam, weil das Bild codiert werden muss, bevor Klicks schnell funktionieren. Laut FAQ kann das "je nach Bildgröße, Modell und Hardware von einigen Sekunden bis zu mehreren Minuten" dauern, und die Codierungsseite bietet eine Low-Memory-Strategie für den Fall, dass Speicherfehler auftreten. Außerdem wird jeweils nur ein Objekt zurückgegeben. Für ein ganzes Viertel ist es daher das falsche Tool.

Repository, Dokumentation, plugin-Eintrag.

3. GeoAI

• Installation. Plugin-Manager plus eine darunterliegende PyTorch-Umgebung. Auf der eigenen Seite des Projekts steht, dass die Installation "wegen der komplizierten pytorch/cuda-Abhängigkeiten schwierig sein kann". Beim ersten Versuch scheiterte es sowohl auf einem Mac als auch auf einem Windows-Rechner. Planen Sie daher einen Abend ein.
• Läuft auf. Ihrem Rechner. CUDA für Geschwindigkeit, Apple MPS auf Apple Silicon, CPU als Fallback. Kein Konto, außer dass die SAM-3-Gewichte zuvor eine Zugriffsanfrage bei Hugging Face benötigen.
• Eingabe und Ausgabe. Ein raster-layer. Als Ausgabe erhalten Sie Polygone und Masken, jeweils in einem andockbaren Panel pro Aufgabe: Baumsegmentierung, Wassersegmentierung, Segment Anything, semantische und Instanzsegmentierung.
• Kosten. Kostenlos, MIT.
• Wo es scheitert. SAM 3 benötigt eine NVIDIA-GPU. Auf einem Rechner ohne GPU gibt das plugin Failed to load model: Torch not compiled with CUDA enabled zurück, und die eigene Seite sagt das bereits, bevor Sie es versuchen. Die anderen Modelle laufen weiterhin.

Dokumentation des plugins und Repository.

4. Mapflow von Geoalert

• Installation. Plugin-Manager, danach anmelden. Sonst nichts und keine Grafikkarte.
• Läuft auf. Den Servern des Anbieters. Sie benötigen ein Konto, und die Bilddaten verlassen bei jedem Lauf Ihren Rechner, weil das plugin keine Inferenzbibliothek mitliefert.
• Eingabe und Ausgabe. Einer von Ihnen eingezeichneten Fläche über einer der Bilddatenquellen des Anbieters. Als Ausgabe erhalten Sie Vektor-layer: Gebäude mit optionaler Höhe, Straßen, landwirtschaftliche Flächen, Wald und Baustellen.
• Kosten. Gebäude kosten 10 Credits pro Quadratkilometer bei 0,10 $ pro Credit, auf ganze Quadratkilometer aufgerundet. Eine Stadt mit 10 km² kostet also ungefähr 10 $. Der kostenlose Tarif bietet 250 Credits für höchstens 25 km², wobei der Export gesperrt ist. Sie können sich den layer ansehen, aber ihn nicht mitnehmen.
• Wo es scheitert. Reihenhäuser. Benachbarte Häuser in einer Reihe verschmelzen zu einem Polygon. Das ist auf den eigenen Screenshots sichtbar, und ihre nachträgliche Aufteilung kostet mehr, als der Lauf eingespart hat.

Dokumentation des plugins und Repository.

5. Bunting Labs AI Vectorizer

• Installation. Plugin-Manager, danach ein Konto. Keine Grafikkarte.
• Läuft auf. Den Servern des Anbieters. Die Bilddaten rund um Ihren Cursor werden gesendet, während Sie zeichnen.
• Eingabe und Ausgabe. Das raster, über dem Sie nachzeichnen. Als Ausgabe erhalten Sie Geometrie in dem layer, den Sie bereits im Bearbeitungsmodus geöffnet haben, Scheitelpunkt für Scheitelpunkt vor dem Cursor.
• Kosten. 29 $ pro Sitz und Monat, begrenzt auf 120 Fertigstellungen pro Tag. Danach 99 $ pro Sitz, ohne Limit und ohne Datenspeicherung. Es gibt keinen kostenlosen Tarif.
• Wo es scheitert. Es gibt nie alle Treffer in einer Fläche zurück, weil es nur die Bilddaten rund um Ihren Cursor sieht. Für fünfzig Gebäude klicken Sie weiterhin fünfzig Mal, nur jedes Mal schneller.

Dokumentation.

6. AI Segmentation, unseres

• Installation. Plugin-Manager, danach ein Konto. Kein Download von Gewichten, keine Python-Umgebung, keine Grafikkarte. QGIS 3.22 und höher.
• Läuft auf. Unseren Servern in Europa für die beiden Cloud-Modi, daher verlassen die Bilddaten dort Ihren Rechner. Semi-Auto führt ein kleines Modell lokal aus und lässt die Bilddaten auf Ihrem Rechner.
• Eingabe und Ausgabe. Einer von Ihnen eingezeichneten Zone über jedem raster oder jeder Basiskarte, plus einem Wort wie building oder solar panel. Als Ausgabe erhalten Sie einen formatierten GeoPackage, ein Polygon pro Objekt, jeweils mit Label, Klasse, Konfidenzwert und Fläche.
• Kosten. 3 km² automatische Erkennung pro Monat kostenlos, ohne Karte. Eine Stadt mit 10 km² benötigt Pro, für 39 € im Monat und 300 km². Semi-Auto auf Ihrem eigenen Rechner hat keinen Zähler.
• Wo es scheitert. Es gibt mehr zurück, als Sie angefordert haben. Lüftungsschächte, Dachfenster, Schuppen in Innenhöfen und Schatten kommen als echte, korrekt umrandete Polygone zurück, die keine Gebäude sind. Sie verschieben die Schieberegler für Konfidenz und Fläche, bis es passt. In einem Lauf in Paris reduzierte das Ergebnis 635 Polygone auf 82, und diese 82 enthielten noch 84 % der bebauten Fläche. Eine Feldkante, die in Buschland übergeht, ist die Stelle, an der es zögert, genau wie Sie selbst.

Produktseite.

Kostenlos in QGIS testen, keine Karte erforderlich

Direktvergleich

So treffen Sie Ihre Wahl

• Sie haben eine ONNX-Datei, oder eines der 24 ZOO-Modelle passt zu Ihrem Sensor und Ihrer Auflösung. Bleiben Sie bei Deepness und prüfen Sie Ihre NumPy-Version, bevor Sie einen Fehler melden.
• Sie wollen SAM lokal nutzen und haben noch nie etwas trainiert. Geo SAM für jeweils ein Objekt, ohne Konfiguration. GeoAI für die größte Auswahl an Aufgaben, wenn Sie eine NVIDIA-Karte und einen Abend Zeit haben.
• Sie haben einen Bürolaptop und keine Zeit für eine Installation. Mapflow oder unser AI Segmentation. Beide führen das Modell auf einem Server aus und benötigen nur das plugin.
• Sie zeichnen Linien von Hand nach, statt Objekte über einer Fläche zu erkennen. Bunting Labs.

Beantworten Sie eine Frage vor allen anderen. Dürfen die Bilddaten Ihren Rechner verlassen? Ein Nein schließt Mapflow, Bunting Labs und unsere beiden Cloud-Modi aus und lässt Deepness, Geo SAM oder GeoAI übrig.

Die acht AI-plugins im Vergleich behandelt das gesamte Feld, und der SAM-Leitfaden geht genauer darauf ein, welches plugin welche Version von Segment Anything ausführt.