Alternatif Deepness: 5 Cara Menjalankan Deep Learning pada Citra di QGIS

Deepness menjalankan model deep learning pada raster di dalam , tile demi tile, di mesin Anda sendiri. Plugin ini gratis, menggunakan Apache 2.0, dan tidak ada apa pun yang Anda muat meninggalkan komputer Anda. Plugin ini juga tidak memiliki pemilih model. Anda harus menyediakan file ONNX sendiri. Anda membuka halaman dokumentasi, mengeklik sebuah tautan, mengunduh file secara manual dari folder Nextcloud universitas, lalu mencarinya di plugin. Orang mulai mencari sesuatu yang lain ketika tidak memiliki file tersebut, atau ketika pemasangan dependensi gagal di laptop mereka.

Lima tool di bawah ini mencakup kebutuhan yang sama dari sudut pandang berbeda. Masing-masing memiliki tautan, dan semuanya mendapat pertanyaan yang sama: apa yang dipasang, hardware apa yang dibutuhkan, apakah citra meninggalkan mesin Anda, apa yang dimasukkan, apa yang dihasilkan, dan di mana tool tersebut gagal.

Kami membuat salah satu dari enam plugin di sini, AI Segmentation. Plugin kami menjawab pertanyaan yang sama seperti yang lain, termasuk pertanyaan tentang di mana plugin ini gagal.

Apa sebenarnya Deepness

Deepness memuat jaringan neural ONNX dan menggesernya melintasi raster dalam tile yang saling tumpang tindih, lalu menulis hasilnya kembali ke project Anda sebagai layer. Plugin ini mencakup segmentasi, deteksi objek, regresi dan super-resolution, serta memungkinkan Anda mengatur ukuran tile, overlap dan postprocessing sendiri.

Panel modelnya berupa kotak teks dan tombol Browse. Tidak ada daftar, tombol unduh atau galeri di dalam QGIS. Anda mengetik sendiri resolusi spasial dalam sentimeter per pixel. Hasilnya berupa memory layer, jadi Anda menyimpannya sendiri ke disk setelah hasilnya sesuai.

Anda dapat mengarahkannya ke apa pun yang dapat digambar QGIS: orthophoto di disk, atau layer dari provider online seperti Google Satellite. Ada juga tool ekspor data training yang memotong raster dan mask menjadi tile kecil, bagian yang sering dilupakan orang.

Tidak ada yang meninggalkan mesin Anda. Tidak ada akun, API key atau panggilan jaringan saat model berjalan. Seseorang membaca source plugin pada 23 Agustus 2026 dan menemukan setiap URL di dalam kode berada di dalam komentar. Satu-satunya request keluar yang dilakukan Deepness adalah pip install saat pertama kali dijalankan. Jika Anda bekerja dengan citra klien, citra pertahanan atau apa pun yang harus disetujui petugas procurement, hal ini menyelesaikan pertimbangannya, dan inilah satu hal yang membuat Deepness lebih unggul daripada setiap tool hosted di bawah, termasuk milik kami.

Deepness tidak menyediakan kemampuan deteksi apa pun. Deepness adalah runner, dan Anda harus membawa modelnya sendiri. Lisensinya Apache 2.0, dan tim di baliknya menerbitkan plugin ini di SoftwareX, DOI 10.1016/j.softx.2023.101495.

Di mana orang biasanya terhenti

Model zoo tersebut adalah halaman berisi tautan. Pada 23 Agustus 2026, halaman itu mencantumkan 24 model: 9 untuk segmentasi, 6 untuk deteksi objek, 8 untuk super-resolution, 1 untuk pengenalan dan tidak ada untuk regresi. Lima belas model berada di folder Nextcloud Poznan University, satu di Fraunhofer, delapan di GitHub releases, dan semuanya harus diunduh secara manual. Resolusi training-nya berkisar dari 0,5 cm per pixel hingga 1000. Jika Anda terbang pada 20 cm, sekitar dua dari enam belas model task sesuai dengan kebutuhan Anda. Tidak ada model bangunan global dan tidak ada model vegetasi global. Dua opsi bangunan tersebut adalah model RampDataset pada 40 cm per pixel dan model land cover yang halaman resminya sendiri menyatakan "the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world".

Anda mengetik resolusinya, dan tidak ada yang memeriksanya. Kotak tersebut menerima sentimeter per pixel, plugin mempercayai angka Anda, dan tidak pernah membandingkan angka itu dengan layer. Nilai yang salah menghasilkan Exception: Unsupported layer units atau ValueError: cannot convert float NaN to integer, dengan traceback di Python console yang tidak pernah dibuka oleh sebagian besar pengguna QGIS. Pada issue #183, maintainer menulis bahwa "it is worth adding a sanity check to the code to create a meaningful error message". Saat dibaca pada 23 Agustus 2026, pemeriksaan tersebut masih belum ada di dalam kode. Kegagalan diam-diam ini lebih merugikan daripada crash. Dalam discussion #176, seorang pengguna tidak menemukan apa pun sampai, menurut kata-katanya sendiri, "i lied to the plugin and said that the pixels are 10cm".

Satu pengguna mengukur kecepatannya. Pada issue #192, yang terbuka sejak 15 November 2024, seorang pengguna menjalankan model zoo pada tile orthophoto berukuran 5000 x 5000 pixel pada 20 cm, menggunakan Ryzen 7 5800X dengan GTX 1660 Ti. CPU memerlukan 80 menit. Tile yang sama pada kartu grafis memerlukan 61 detik. Satu mesin, satu model, satu tile, jadi anggap ini sebagai pengukuran pengguna tersebut, bukan benchmark. Namun ini tetap merupakan jawaban terdekat yang dipublikasikan untuk pertanyaan "can I do this on the office laptop".

CPU berfungsi, dan CUDA adalah cerita Linux. Mesin tanpa kartu grafis dapat menjalankan Deepness karena ONNX Runtime secara otomatis beralih ke CPU. Installer hanya mengambil build GPU di Linux. Di Windows dan macOS, installer memasang onnxruntime biasa. Maintainer menulis hal yang sama pada issue #192: "On windows we did not manage to run it with GPU, and it is more complicated, so Deepness installs only the onnxruntime instead of onnxruntime-gpu."

Pemasangan dependensi adalah penghalang yang biasa. Deepness memasang OpenCV dan ONNX Runtime melalui pip saat pertama kali dibuka. macOS gagal sejak #54 pada 20 Oktober 2022, dan #209 masih terbuka di Sequoia, dengan jawaban maintainer "Unfortunately, we do not have macos to test on." Pada QGIS 3.44, #235 melaporkan A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, karena plugin masih menetapkan numpy<2.0.0 sementara QGIS membawa NumPy 2.4.3. Di balik corporate proxy, #197 berhenti pada certificate verify failed: self-signed certificate in certificate chain, lalu ERROR: No matching distribution found for opencv-python. Ketika berhasil untuk saya, prosesnya memerlukan sekitar dua puluh menit. Percobaan pertama saya gagal, baik di Mac maupun mesin Windows.

Tidak ada tombol cancel. Issue #230 dibuka pada 14 Januari 2026 dan masih terbuka. Setelah proses dimulai, Anda hanya bisa menunggu.

Dokumentasi dan plugin adalah dua hal yang berbeda. Situs dokumentasi dibangun dari branch yang belum pernah dirilis. Plugin yang Anda pasang dari marketplace QGIS adalah 0.6.5, diunggah pada 10 Desember 2024.

Tidak satu pun dari hal ini membuat Deepness menjadi tool yang buruk. Deepness adalah tool untuk orang yang sudah memiliki model terlatih dan Python environment yang berjalan dengan baik.

Alternatifnya

1. Deepness, baseline

• Pemasangan. Plugin manager, lalu OpenCV dan ONNX Runtime saat pertama kali dijalankan. Sekitar dua puluh menit jika berhasil, dan telah gagal di macOS sejak Oktober 2022.
• Berjalan di. Mesin Anda, CPU atau CUDA. Build GPU hanya dipasang di Linux. Tidak ada akun, API key dan panggilan jaringan setelah plugin berjalan.
• Input dan output. Layer raster apa pun, termasuk basemap XYZ atau WMS, ditambah file ONNX yang Anda unduh secara manual. Hasilnya berupa memory layer yang harus Anda simpan sendiri.
• Biaya. Gratis, Apache 2.0, diterbitkan di SoftwareX dengan DOI 10.1016/j.softx.2023.101495.
• Di mana gagal. Di luar data training dari model apa pun yang Anda muat. Model bangunan yang dilatih pada 40 cm per pixel tidak akan membaca penerbangan drone 5 cm, dan plugin tidak dapat memperingatkan Anda. Masukkan resolusi yang salah, lalu plugin akan crash atau tidak menemukan apa pun.

Repository dan dokumentasi.

2. Geo SAM

• Pemasangan. Plugin manager. Plugin ini mengelola dependensinya sendiri dan mengunduh model checkpoints dari dalam QGIS, jadi Anda tidak perlu mengetik perintah pip.
• Berjalan di. Mesin Anda, dengan akselerasi GPU secara default dan jalur CPU yang berfungsi. Tidak ada akun.
• Input dan output. File raster atau layer XYZ, WMS atau WMTS. Hasilnya satu polygon untuk setiap prompt, dari sebuah klik atau kotak.
• Biaya. Gratis, MIT.
• Di mana gagal. Prompt pertama pada citra baru berjalan lambat karena citra harus diencode sebelum proses klik menjadi cepat. FAQ-nya menyatakan bahwa proses tersebut dapat memerlukan "from a few seconds to several minutes depending on the image size, model, and hardware", dan halaman encoding menyediakan strategi Low Memory saat Anda mengalami error out-of-memory. Tool ini juga hanya mengembalikan satu objek setiap kali, jadi bukan tool yang tepat untuk satu lingkungan penuh.

Repository, dokumentasi, daftar plugin.

3. GeoAI

• Pemasangan. Plugin manager, ditambah environment PyTorch di bawahnya. Halaman resmi project ini menyatakan bahwa pemasangan "can be challenging due to the complicated pytorch/cuda dependencies". Percobaan pertama saya gagal baik di Mac maupun mesin Windows, jadi siapkan waktu satu malam.
• Berjalan di. Mesin Anda. CUDA untuk kecepatan, Apple MPS pada Apple Silicon, dan CPU sebagai fallback. Tidak ada akun, kecuali bahwa bobot SAM 3 memerlukan access request dari Hugging Face terlebih dahulu.
• Input dan output. Layer raster. Hasilnya berupa polygon dan mask, satu panel yang dapat di-dock untuk setiap task: segmentasi pohon, segmentasi air, Segment Anything, serta segmentasi semantik dan instance.
• Biaya. Gratis, MIT.
• Di mana gagal. SAM 3 memerlukan GPU NVIDIA. Pada mesin yang hanya memiliki CPU, plugin mengembalikan Failed to load model: Torch not compiled with CUDA enabled, dan halaman resminya menyatakan hal tersebut sebelum Anda mencoba. Model lainnya tetap berjalan.

Dokumentasi plugin dan repository.

4. Mapflow, oleh Geoalert

• Pemasangan. Plugin manager, lalu masuk. Tidak ada hal lain yang diperlukan, dan tidak membutuhkan kartu grafis.
• Berjalan di. Server mereka. Anda memerlukan akun, dan citra meninggalkan mesin Anda pada setiap proses karena tidak ada inference library yang dikirim bersama plugin.
• Input dan output. Area yang Anda gambar, di atas salah satu sumber citra mereka. Hasilnya berupa vector layer: bangunan dengan tinggi opsional, jalan, lahan pertanian, hutan dan lokasi konstruksi.
• Biaya. Bangunan dikenai biaya 10 kredit per kilometer persegi dengan harga $0,10 per kredit, dibulatkan ke kilometer persegi penuh, sehingga kota seluas 10 km² biayanya sekitar $10. Paket gratis memberikan 250 kredit untuk maksimal 25 km², dengan ekspor diblokir, sehingga Anda dapat melihatnya tetapi tidak dapat membawa pulang layer tersebut.
• Di mana gagal. Rumah bertingkat yang berdempetan. Rumah yang bersebelahan dalam satu deret bergabung menjadi satu polygon, yang terlihat pada screenshot mereka sendiri, dan memisahkannya setelah proses selesai membutuhkan biaya lebih besar daripada penghematan dari proses tersebut.

Dokumentasi plugin dan repository.

5. Bunting Labs AI Vectorizer

• Pemasangan. Plugin manager, lalu akun. Tidak membutuhkan kartu grafis.
• Berjalan di. Server mereka. Citra di sekitar kursor Anda dikirim saat Anda menggambar.
• Input dan output. Raster yang sedang Anda jadikan acuan. Hasilnya berupa geometri ke dalam layer yang sudah terbuka dalam edit mode, vertex demi vertex di depan kursor.
• Biaya. $29 per seat per bulan, dengan batas 120 completion per hari. Setelah itu, harganya $99 per seat tanpa batas dan tanpa penyimpanan data. Tidak ada paket gratis.
• Di mana gagal. Tool ini tidak pernah mengembalikan semua kecocokan di sebuah area karena hanya melihat citra di sekitar kursor Anda. Untuk lima puluh bangunan, Anda tetap harus mengeklik lima puluh kali, hanya saja setiap klik berlangsung lebih cepat.

Dokumentasi.

6. AI Segmentation, milik kami

• Pemasangan. Plugin manager, lalu akun. Tidak ada unduhan bobot, Python environment atau kartu grafis. QGIS 3.22 ke atas.
• Berjalan di. Server kami di Eropa untuk dua mode cloud, sehingga citra meninggalkan mesin Anda ke server tersebut. Semi-Auto menjalankan model kecil secara lokal dan menjaga citra tetap di mesin Anda.
• Input dan output. Zona yang Anda gambar di atas raster atau basemap apa pun, ditambah kata seperti building atau solar panel. Hasilnya berupa GeoPackage bergaya, satu polygon untuk setiap objek, masing-masing dengan label, class, confidence score dan area.
• Biaya. Deteksi otomatis gratis hingga 3 km² per bulan, tanpa kartu. Kota seluas 10 km² memerlukan Pro, dengan harga €39 per bulan untuk 300 km². Semi-Auto di mesin Anda sendiri tidak memiliki counter.
• Di mana gagal. Hasilnya lebih banyak daripada yang Anda minta. Ventilasi, skylight, gudang halaman dan bayangan muncul sebagai polygon nyata dengan garis yang benar, tetapi bukan bangunan, lalu Anda menggeser slider confidence dan area sampai hasilnya sesuai. Pada satu proses di Paris, 635 polygon dikurangi menjadi 82, dan 82 polygon tersebut masih mencakup 84% area terbangun. Batas lahan yang memudar menjadi semak adalah bagian yang membuatnya ragu, di tempat yang sama dengan keraguan Anda.

Halaman produk.

Coba gratis di QGIS, tanpa kartu

Perbandingan langsung

Cara memilih

• Anda memiliki file ONNX, atau salah satu dari 24 model zoo sesuai dengan sensor dan resolusi Anda. Tetap gunakan Deepness, dan periksa versi NumPy sebelum melaporkan bug.
• Anda ingin menjalankan SAM secara lokal dan belum pernah melatih apa pun. Gunakan Geo SAM untuk satu objek setiap kali tanpa konfigurasi, atau GeoAI untuk pilihan task terluas jika Anda memiliki kartu NVIDIA dan waktu satu malam.
• Anda memiliki laptop kantor dan tidak punya waktu untuk pemasangan. Gunakan Mapflow atau AI Segmentation kami, yang keduanya menjalankan model di server dan hanya memerlukan plugin.
• Anda sedang menelusuri linework secara manual, bukan mendeteksi objek di seluruh area. Gunakan Bunting Labs.

Jawab satu pertanyaan sebelum pertanyaan lainnya. Bolehkah citra meninggalkan mesin Anda? Jawaban tidak menyingkirkan Mapflow, Bunting Labs dan kedua mode cloud kami, sehingga pilihan Anda tersisa Deepness, Geo SAM atau GeoAI.

Delapan plugin AI yang dibandingkan membahas bidang yang lebih luas, dan panduan SAM membahas lebih dalam plugin mana yang menjalankan versi Segment Anything yang mana.