Alternative a Deepness: 5 modi per eseguire il deep learning sulle immagini in QGIS

Deepness esegue un modello di deep learning su un raster dentro , tile dopo tile, sulla tua macchina. È gratuito, con licenza Apache 2.0, e nulla di ciò che carichi lascia il tuo computer. Non ha nemmeno un selettore di modelli. Devi fornire tu il file ONNX. Apri una pagina di documentazione, fai clic su un link, scarichi manualmente il file da una cartella Nextcloud di un'università, poi lo cerchi nel plugin. Le persone iniziano a cercare altro quando non hanno quel file o quando l'installazione delle dipendenze fallisce sul loro portatile.

I cinque strumenti qui sotto coprono lo stesso terreno da prospettive diverse. Ognuno è collegato e a ognuno vengono poste le stesse domande: cosa installa, quale hardware richiede, se le immagini lasciano la tua macchina, cosa riceve, cosa restituisce e dove si blocca.

Qui sviluppiamo uno dei sei plugin, AI Segmentation. Il nostro risponde alle stesse domande degli altri, compresa quella su dove fallisce.

Cos'è davvero Deepness

Deepness carica una rete neurale ONNX e la fa scorrere su un raster in tile sovrapposte, poi riscrive il risultato nel tuo progetto come layer. Copre segmentazione, rilevamento di oggetti, regressione e super-risoluzione, e ti permette di impostare personalmente la dimensione delle tile, la sovrapposizione e il postprocessing.

Il pannello del modello è una casella di testo e un pulsante Browse. Nessun elenco, nessun pulsante per il download, nessuna galleria dentro QGIS. Inserisci manualmente la risoluzione spaziale, in centimetri per pixel. Il risultato è un layer in memoria, quindi devi salvarlo su disco quando sei soddisfatto.

Puoi indicargli qualsiasi cosa QGIS sappia disegnare: un'ortofoto su disco oppure un layer di un provider online come Google Satellite. C'è anche uno strumento per esportare i dati di addestramento, che taglia un raster e una maschera in piccole tile. È la parte che molti dimenticano.

Nulla lascia la tua macchina. Nessun account, nessuna chiave API, nessuna chiamata di rete mentre il modello è in esecuzione. Il 23 agosto 2026 qualcuno ha letto il codice del plugin e ha trovato ogni URL presente nel codice dentro un commento. L'unica richiesta in uscita effettuata da Deepness è il comando pip install al primo avvio. Se lavori con immagini di clienti, immagini di difesa o qualsiasi dato che un responsabile degli acquisti deve approvare, questo chiude la questione. È anche l'unico aspetto in cui Deepness supera tutti gli strumenti ospitati qui sotto, compreso il nostro.

Deepness non include alcuna capacità di rilevamento propria. È un runner e il modello devi portarlo tu. La licenza è Apache 2.0 e il team che lo sviluppa ha pubblicato il plugin su SoftwareX, DOI 10.1016/j.softx.2023.101495.

Dove le persone si bloccano

Il model zoo è una pagina di link. Il 23 agosto 2026 elencava 24 modelli: 9 per la segmentazione, 6 per il rilevamento di oggetti, 8 per la super-risoluzione, 1 per il riconoscimento e nessuno per la regressione. Quindici si trovano in una cartella Nextcloud dell'Università di Poznan, uno su Fraunhofer, otto nelle release di GitHub, e ogni modello richiede un download manuale. Le risoluzioni di addestramento vanno da 0,5 cm per pixel a 1000. Se voli a 20 cm, circa due dei sedici modelli per attività sono adatti al tuo caso. Non esiste un modello globale per gli edifici e non esiste un modello globale per la vegetazione. Le due opzioni per gli edifici sono un modello RampDataset a 40 cm per pixel e un modello di copertura del suolo la cui pagina dice "the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world".

Inserisci la risoluzione e nulla la verifica. La casella accetta centimetri per pixel, il plugin si fida del numero inserito e non lo confronta mai con il layer. Un valore errato produce Exception: Unsupported layer units oppure ValueError: cannot convert float NaN to integer, con il traceback nella console Python che la maggior parte degli utenti QGIS non apre mai. Nell'issue #183 un maintainer ha scritto che "it is worth adding a sanity check to the code to create a meaningful error message". Al 23 agosto 2026, il controllo non è ancora nel codice. Il fallimento silenzioso costa più del crash. Nella discussione #176 un utente non ha trovato assolutamente nulla finché, a suo dire, "i lied to the plugin and said that the pixels are 10cm".

Un utente ha misurato la velocità. Nell'issue #192, aperta dal 15 novembre 2024, un utente ha eseguito un modello dello zoo su una tile ortofotografica da 5000 per 5000 pixel a 20 cm, con un Ryzen 7 5800X e una GTX 1660 Ti. La CPU ha impiegato 80 minuti. La stessa tile sulla scheda grafica ha impiegato 61 secondi. Una macchina, un modello, una tile, quindi prendilo come una sua misurazione e non come un benchmark. Resta comunque la cosa più vicina a una risposta pubblicata alla domanda "posso farlo sul portatile dell'ufficio".

La CPU funziona e CUDA è una storia Linux. Una macchina senza scheda grafica esegue Deepness, perché ONNX Runtime passa autonomamente alla CPU. L'installer scarica la build GPU solo su Linux. Su Windows e macOS installa il normale onnxruntime. Il maintainer lo ha scritto nella stessa 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."

L'installazione delle dipendenze è il solito muro. Deepness installa OpenCV e ONNX Runtime con pip la prima volta che lo apri. macOS fallisce dalla #54 del 20 ottobre 2022, e la #209 è ancora aperta su Sequoia, con il maintainer che risponde "Unfortunately, we do not have macos to test on." Su QGIS 3.44, la #235 segnala A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, perché il plugin vincola ancora numpy<2.0.0 mentre quella versione di QGIS distribuisce NumPy 2.4.3. Dietro un proxy aziendale, la #197 si ferma a certificate verify failed: self-signed certificate in certificate chain, poi ERROR: No matching distribution found for opencv-python. Quando ha funzionato per me ci sono voluti circa venti minuti. Al primo tentativo ha fallito sia su un Mac sia su una macchina Windows.

Non c'è un pulsante per annullare. L'issue #230 è stata aperta il 14 gennaio 2026 ed è ancora aperta. Una volta avviata un'elaborazione, aspetti.

La documentazione e il plugin sono due cose diverse. Il sito della documentazione viene generato da un branch che non è mai stato pubblicato. Il plugin che installi dal marketplace QGIS è la versione 0.6.5, caricata il 10 dicembre 2024.

Niente di tutto questo rende Deepness un cattivo strumento. Lo rende uno strumento per chi ha già un modello addestrato e un ambiente Python che si comporta bene.

Le alternative

1. Deepness, il punto di riferimento

• Installazione. Gestore dei plugin, poi OpenCV e ONNX Runtime al primo avvio. Circa venti minuti quando funziona, e su macOS fallisce dall'ottobre 2022.
• Dove gira. Sulla tua macchina, CPU o CUDA. La build GPU viene installata solo su Linux. Nessun account, nessuna chiave API e nessuna chiamata di rete una volta avviato.
• Input e output. Qualsiasi layer raster, compresa una basemap XYZ o WMS, più un file ONNX scaricato manualmente. L'output è un layer in memoria che devi salvare tu.
• Costo. Gratuito, Apache 2.0, pubblicato su SoftwareX con DOI 10.1016/j.softx.2023.101495.
• Dove fallisce. Al di fuori dei dati di addestramento del modello che hai caricato. Un modello per gli edifici addestrato a 40 cm per pixel non leggerà un volo con drone a 5 cm e il plugin non può avvisarti. Inserisci la risoluzione sbagliata e il plugin va in crash oppure non trova nulla.

Repository e documentazione.

2. Geo SAM

• Installazione. Gestore dei plugin. Gestisce le proprie dipendenze e scarica i checkpoint del modello direttamente da QGIS, quindi non devi inserire comandi pip.
• Dove gira. Sulla tua macchina, con accelerazione GPU attiva per impostazione predefinita e un percorso CPU funzionante. Nessun account.
• Input e output. Un file raster oppure un layer XYZ, WMS o WMTS. L'output è un poligono per ogni prompt, ottenuto da un clic o da un riquadro.
• Costo. Gratuito, MIT.
• Dove fallisce. Il primo prompt su una nuova immagine è lento, perché l'immagine deve essere codificata prima che i clic diventino rapidi. Le FAQ dicono che può richiedere "from a few seconds to several minutes depending on the image size, model, and hardware", e la pagina sulla codifica include una strategia Low Memory per quando si verificano errori di memoria insufficiente. Restituisce anche un oggetto alla volta, quindi è lo strumento sbagliato per un intero quartiere.

Repository, documentazione, pagina del plugin.

3. GeoAI

• Installazione. Gestore dei plugin, più un ambiente PyTorch sottostante. La pagina del progetto dice che l'installazione "can be challenging due to the complicated pytorch/cuda dependencies". Al primo tentativo ho fallito sia su un Mac sia su una macchina Windows, quindi metti in conto una serata.
• Dove gira. Sulla tua macchina. CUDA per la velocità, Apple MPS su Apple Silicon, CPU come fallback. Nessun account, tranne il fatto che i pesi di SAM 3 richiedono prima una richiesta di accesso a Hugging Face.
• Input e output. Un layer raster. L'output comprende poligoni e maschere, con un pannello dockable per ogni attività: segmentazione degli alberi, segmentazione dell'acqua, Segment Anything, segmentazione semantica e instance segmentation.
• Costo. Gratuito, MIT.
• Dove fallisce. SAM 3 richiede una GPU NVIDIA. Su una macchina con sola CPU il plugin restituisce Failed to load model: Torch not compiled with CUDA enabled, e la sua stessa pagina lo dice prima che tu ci provi. Gli altri modelli continuano a funzionare.

Documentazione del plugin e repository.

4. Mapflow, di Geoalert

• Installazione. Gestore dei plugin, poi accedi. Nient'altro e nessuna scheda grafica.
• Dove gira. Sui loro server. Ti serve un account e le immagini lasciano la tua macchina a ogni elaborazione, perché il plugin non include alcuna libreria di inferenza.
• Input e output. Un'area che disegni, su una delle loro fonti di immagini. L'output comprende layer vettoriali: edifici con altezza opzionale, strade, campi agricoli, foreste e aree di cantiere.
• Costo. Gli edifici costano 10 crediti per chilometro quadrato a $0.10 per credito, arrotondati ai chilometri quadrati interi, quindi una città di 10 km² costa circa $10. Il piano gratuito offre 250 crediti su un massimo di 25 km², con l'esportazione bloccata, quindi puoi guardare il layer ma non portarlo a casa.
• Dove fallisce. Le abitazioni a schiera. Le case adiacenti in una fila si fondono in un unico poligono, come si vede nelle loro stesse schermate, e separarle dopo costa più di quanto l'elaborazione abbia fatto risparmiare.

Documentazione del plugin e repository.

5. Bunting Labs AI Vectorizer

• Installazione. Gestore dei plugin, poi un account. Nessuna scheda grafica.
• Dove gira. Sui loro server. Le immagini intorno al cursore vengono inviate mentre disegni.
• Input e output. Il raster su cui stai ricalcando. L'output è geometria nel layer che hai già aperto in modalità modifica, vertice dopo vertice davanti al cursore.
• Costo. $29 per postazione al mese, con un limite di 120 completamenti al giorno. Oltre quel limite, $99 per postazione senza cap e senza conservazione dei dati. Non esiste un piano gratuito.
• Dove fallisce. Non restituisce ogni elemento corrispondente in un'area, perché vede solo le immagini intorno al cursore. Per cinquanta edifici devi comunque fare clic cinquanta volte, ogni volta più velocemente.

Documentazione.

6. AI Segmentation, il nostro

• Installazione. Gestore dei plugin, poi un account. Nessun download di pesi, nessun ambiente Python e nessuna scheda grafica. QGIS 3.22 e versioni successive.
• Dove gira. I nostri server in Europa per le due modalità cloud, quindi le immagini lasciano la tua macchina. Semi-Auto esegue un piccolo modello localmente e mantiene le immagini sulla tua macchina.
• Input e output. Una zona che disegni su qualsiasi raster o basemap, più una parola come building o solar panel. L'output è un GeoPackage stilizzato, un poligono per ogni oggetto, ciascuno con un'etichetta, una classe, un punteggio di confidenza e un'area.
• Costo. 3 km² di rilevamento automatico gratuiti al mese, senza carta. Una città di 10 km² richiede Pro, a €39 al mese per 300 km². Semi-Auto sulla tua macchina non ha contatore.
• Dove fallisce. Restituisce più elementi di quelli richiesti. Bocchette, lucernari, capanni nei cortili e ombre tornano come poligoni reali, correttamente delineati, che non sono edifici, e devi trascinare i cursori di confidenza e area finché il risultato va bene. In un'elaborazione su Parigi questo ha ridotto 635 poligoni a 82, e quegli 82 contenevano comunque l'84% dell'area edificata. Un bordo di campo che sfuma nella macchia è il punto in cui esita, proprio come faresti tu.

Pagina del prodotto.

Provalo gratuitamente in QGIS, non serve la carta

Confronto diretto

Come scegliere

• Hai un file ONNX oppure uno dei 24 modelli dello zoo corrisponde al tuo sensore e alla tua risoluzione. Resta su Deepness e controlla la versione di NumPy prima di aprire un bug.
• Vuoi SAM in locale e non hai mai addestrato nulla. Geo SAM per un oggetto alla volta senza configurare nulla, GeoAI per la scelta più ampia di attività se hai una scheda NVIDIA e una serata.
• Hai un portatile da ufficio e nessun tempo per l'installazione. Mapflow o il nostro AI Segmentation, entrambi eseguono il modello su un server e richiedono solo il plugin.
• Stai tracciando linee manualmente invece di rilevare oggetti su un'area. Bunting Labs.

Rispondi a una domanda prima di tutte le altre. Le immagini possono lasciare la tua macchina? Un no esclude Mapflow, Bunting Labs e entrambe le nostre modalità cloud, lasciandoti Deepness, Geo SAM o GeoAI.

Gli otto plugin AI a confronto copre il campo più ampio, mentre la guida a SAM approfondisce quale plugin esegue quale versione di Segment Anything.