Alternative a eCognition: analisi delle immagini orientata agli oggetti senza licenza

La pagina prodotto di Trimble riporta questa frase: "Trimble eCognition non è più venduto attivamente. Questa pagina resta attiva per consentire ai clienti esistenti di accedere ai download del software." L'ho letta il 23 agosto 2026. Quindi la domanda è cambiata. Non si tratta più di capire se valga la pena rinnovare la licenza, ma quale strumento gratuito copra quale parte del lavoro, e una parte non ha alcun sostituto gratuito.

Ho cofondato TerraLab, quindi AI Segmentation verso la fine è la nostra soluzione. Stesse colonne, stesso limite di una riga come per tutto il resto.

Cosa offre davvero eCognition

eCognition è un ambiente per l'analisi delle immagini orientata agli oggetti, non un pulsante che trova gli edifici, e sei tu a guidare manualmente ogni sua fase.

La segmentazione viene prima. La segmentazione multirisoluzione parte dai singoli pixel e unisce i vicini finché vale una soglia di omogeneità. Imposti un parametro di scala per la dimensione degli oggetti, dividi l'omogeneità tra colore e forma, poi dividi la forma tra uniformità e compattezza. La forma non può superare 0.9. Questi quattro numeri sono il mestiere, e li ricalibri per ogni sensore e ogni paesaggio.

Poi c'è una gerarchia di classi che scrivi tu: classi, caratteristiche ereditate, funzioni di appartenenza su medie spettrali, texture, area, vicini e relazioni con gli oggetti genitori e figli. Poi esegui, guardi, cambi i numeri e riesegui.

L'output che conta è il ruleset, salvato come file .dcp o impacchettato come soluzione .dax, non i poligoni. Quel file è il metodo. Consegnalo a un collega, eseguilo su mille tile con eCognition Server, ottieni la stessa classificazione ogni volta e mostra a un auditor perché un poligono è stato chiamato edificio.

Oggi nulla di gratuito lo sostituisce. Ogni strumento qui sotto offre una fase. Nessuno offre un file di regole portabile e versionato che un collega possa eseguire senza modifiche e difendere durante una revisione. Se il tuo deliverable è il metodo e non la mappa, conserva una macchina che apra ancora i tuoi file .dcp.

La documentazione dei ruleset di Trimble e il riferimento sulla segmentazione multirisoluzione sono ancora online e consultabili gratuitamente.

Percorso 1: vuoi solo la fase di segmentazione

Questi strumenti dividono l'immagine in oggetti. Non li classificano.

1. Orfeo ToolBox

La cosa gratuita più vicina alla fase di segmentazione di eCognition, e l'unica progettata per scene di grandi dimensioni.

• Installazione OTB, poi il plugin OrfeoToolbox Provider, che ha lasciato il core di QGIS alla versione 3.36. Il CookBook spiega il collegamento. Funziona anche dalla riga di comando.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output qualsiasi raster. LargeScaleMeanShift concatena smoothing, segmentazione, fusione delle regioni piccole e vettorializzazione, e scrive un file vettoriale i cui poligoni contengono già la media e la deviazione standard per banda. Quella tabella alimenta il classificatore successivo.
• Costo gratuito, Apache 2.0.
• Limiti i valori predefiniti: raggio spaziale 5, raggio di intervallo 15, dimensione minima 50 pixel, tile di 500 per 500. Aspettati diverse esecuzioni prima di ottenere la dimensione corretta degli oggetti.

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

È già dentro , perché GRASS viene fornito insieme a QGIS.

• Installazione niente. Il provider GRASS è disponibile in Processing senza configurazioni aggiuntive.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output un gruppo di immagini. In output ottieni un raster di segmenti, che i.segment.stats trasforma in statistiche per oggetto che puoi classificare.
• Costo gratuito, GPL.
• Limiti la pazienza. Esistono due metodi, crescita delle regioni e mean shift, e la soglia di crescita delle regioni non ha un significato fisico, quindi la trovi per bisezione. L'addon i.segment.uspo automatizza la ricerca e richiede ore.

i.segment manual · i.segment.stats · i.segment.uspo

3. SAGA

Il modo più rapido per vedere una segmentazione senza leggere un manuale.

• Installazione il plugin Processing Saga NextGen Provider, oltre a SAGA. Ha lasciato l'insieme Processing del core di QGIS.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output griglie in input, una griglia di segmenti e poligoni opzionali in output.
• Costo gratuito. GPL, con l'API sotto LGPL.
• Limiti tutto ciò che deve scalare o essere ripetuto. La sua libreria Imagery, Segmentation contiene Seeded Region Growing, Superpixel Segmentation, Watershed Segmentation e tre strumenti di supporto, ed è veloce da provare. Non offre alcun framework per le caratteristiche degli oggetti, quindi la fase delle statistiche devi costruirla tu.

saga-gis.sourceforge.io

4. scikit-image e RSGISLib

Per chi preferisce scrivere la segmentazione invece di farci clic.

• Installazione un ambiente Python. scikit-image si installa con pip o conda, RSGISLib richiede conda ed è più pesante.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output array in input, array di etichette in output. La georeferenziazione devi gestirla tu, tramite rasterio o GDAL.
• Costo gratuito. scikit-image è BSD-3-Clause, RSGISLib è GPL v3.
• Limiti la parte infrastrutturale. Felzenszwalb, quickshift, SLIC e watershed richiedono quattro righe ciascuno, e nessuno sa cosa sia un CRS. La segmentazione Shepherd di RSGISLib è la corrispondenza pubblicata più vicina a eCognition, si installa solo da conda-forge e il suo sito non rispondeva via https il 23 agosto 2026, quindi usa il repository.

scikit-image segmentation examples · RSGISLib repository

Percorso 2: vuoi una classificazione supervisionata

Disegni le aree di training, lo strumento le impara e l'intero raster viene etichettato. Questa è la metà di eCognition che il software gratuito copre davvero.

5. Semi-Automatic Classification Plugin

Quello su cui approdano la maggior parte degli utenti che arrivano da eCognition, e a ragione.

• Installazione il plugin, poi lascia che scarichi le sue dipendenze. Si basa su Remotior Sensus e usa scikit-learn e PyTorch.
• Esecuzione su la tua macchina, la CPU è sufficiente, senza account. Uno strumento opzionale scarica scene Landsat e Sentinel-2, l'unico momento in cui comunica con un server.
• Input e output un raster multibanda più le aree di training che disegni. In output ottieni un raster classificato, un report di accuratezza e un vector layer se lo richiedi. Algoritmi: maximum likelihood, minimum distance, spectral angle mapping, random forest, support vector machine e un multi-layer perceptron.
• Costo gratuito, GPL v3.
• Limiti gli oggetti. Classifica i pixel, non i segmenti, quindi un tetto torna fuori a macchie e devi ripulirlo dopo.

Manual · Plugin listing

6. dzetsaka

Più piccolo, più rapido da imparare e addestra un modello in circa un minuto.

• Installazione il plugin. Quando scegli un algoritmo la cui libreria manca, propone di installarla con pip e mostra il progresso nel log di QGIS, quindi raramente devi aprire un terminale.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output un raster più uno shapefile di regioni di interesse. Un raster classificato e un file modello salvato. Undici algoritmi, da un Gaussian mixture model che non richiede nulla oltre a QGIS fino a XGBoost e CatBoost.
• Costo gratuito, GPL v3.
• Limiti le etichette testuali. La colonna ROI deve contenere numeri di classe, non nomi.

Repository · Plugin listing

7. GRASS i.maxlik e r.learn.ml2

Già installati, e la coppia più adatta agli script.

• Installazione niente per i.maxlik. r.learn.ml2 è un addon e richiede scikit-learn.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output un file di firme da i.gensig per il primo, uno stack di raster più le etichette per il secondo. Raster classificati in output.
• Costo gratuito, GPL.
• Limiti la reperibilità. I nomi dei parametri presuppongono che tu conosca già il modello dati di GRASS. Una volta imparati, entrano direttamente in una pipeline bash o Python, il risultato più vicino a un batch di eCognition Server che si possa ottenere gratuitamente.

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

Abbinalo a LargeScaleMeanShift e ottieni una vera catena object-based: segmentazione, calcolo delle statistiche per oggetto, classificazione.

• Installazione OTB, come sopra.
• Esecuzione su la tua macchina, solo CPU, senza account.
• Input e output coppie di immagini e vector di training in input. Un file modello in output, oltre a una matrice di confusione se la richiedi. Non scrive né immagini né vector, quindi ImageClassifier o VectorClassifier applica il modello in seguito.
• Costo gratuito, Apache 2.0.
• Limiti il primo approccio. È costruito su LibSVM, OpenCV machine learning e Shark ML, ciascuno con il proprio blocco di parametri. Leggi la pagina del CookBook prima di eseguirlo, non dopo.

TrainImagesClassifier

Percorso 3: vuoi ottenere l'oggetto senza scrivere un ruleset

Strumenti basati su modelli. Rinunci alla messa a punto e alla traccia di audit, ma ottieni un risultato oggi.

9. Deepness

Esegue qualsiasi modello ONNX che fornisci su un raster, suddividendolo in tile.

• Installazione il plugin, poi al primo avvio installa OpenCV e ONNX Runtime con pip.
• Esecuzione su la tua macchina. La CPU funziona, una GPU richiede una tua configurazione CUDA. Nessun account, nulla lascia la macchina.
• Input e output qualsiasi raster layer, inclusa una base XYZ o WMS, più il tuo modello ONNX. Un vector o raster layer in output.
• Costo gratuito, Apache 2.0.
• Limiti le immagini al di fuori dell'intervallo di training del modello. Un modello addestrato su immagini da 25 cm non leggerà un volo da drone a 5 cm, e il plugin non può avvisarti.

Repository

10. Geo-SAM

Segment Anything in un pannello di QGIS, un prompt alla volta.

• Installazione il plugin, nel plugin manager dalla versione 2.0. Scarica i propri checkpoint direttamente da QGIS.
• Esecuzione su la tua macchina, abbastanza veloce su una CPU da laptop. Nessun account, nulla lascia la macchina.
• Input e output un file raster oppure un layer XYZ, WMS o WMTS. Un poligono per clic o riquadro, salvato in uno Shapefile.
• Costo gratuito, MIT.
• Limiti il lavoro su aree estese. Restituisce un oggetto alla volta. Dalla versione 2.0 esistono due modalità, e in quella pre-encodata puoi creare prompt solo all'interno dell'estensione che hai codificato per prima.

Repository · Plugin listing

11. samgeo

Gli stessi modelli come pacchetto Python, per scene intere.

• Installazione un ambiente Python, poi il pacchetto. La prima volta metti in conto un pomeriggio.
• Esecuzione su la tua macchina, GPU consigliata. Nessun account, ma i pesi sono un download vero e proprio.
• Input e output un GeoTIFF oppure tile della base che recupera. Raster di maschere più GeoJSON, Shapefile o GeoPackage.
• Costo gratuito, MIT.
• Limiti i laptop da ufficio e le incompatibilità di CRS, perché non riproietta nulla. Questa è una libreria, quindi devi scrivere il codice a meno che tu non aggiunga il suo plugin complementare.

samgeo.gishub.org · Repository

12. GeoAI

Un pannello per ogni attività, più un trainer per i tuoi modelli.

• Installazione il plugin, oltre a uno stack PyTorch sottostante. Il progetto dichiara che le dipendenze CUDA rendono difficile l'installazione, e ha ragione.
• Esecuzione su la tua macchina, in pratica con una scheda NVIDIA. Nessun account, nulla lascia la macchina.
• Input e output un raster layer. Poligoni e maschere, un pannello per ogni attività.
• Costo gratuito, MIT.
• Limiti l'installazione, più spesso che le immagini. Quando funziona, è la toolbox più ampia qui: Segment Anything, chiome degli alberi, maschere dell'acqua, Mask R-CNN.

Repository · Plugin listing

13. Mapflow

Disegni un'area, scegli una classe e ricevi i vector dai loro server.

• Installazione solo il plugin.
• Esecuzione su i server di Geoalert. Nessuna GPU, serve un account e le immagini lasciano la tua macchina a ogni esecuzione.
• Input e output un'area che disegni. Vector layer per classe.
• Costo crediti a $0.10 ciascuno. Gli edifici costano 10 crediti per km², una base con zoom 18 aggiunge 3, quindi circa $1.30 per km². Il livello gratuito è di 250 crediti, con un limite di 25 km².
• Limiti il tessuto edilizio denso. Le case a schiera si fondono in un unico poligono, come si vede nei loro stessi screenshot.

mapflow.ai

14. AI Segmentation, la nostra soluzione

Disegni una zona, descrivi l'oggetto con parole normali e ottieni ogni corrispondenza come poligono.

• Installazione solo il plugin. Nessun peso, nessuna CUDA, nessun ambiente Python.
• Esecuzione su i nostri server per le due modalità cloud e sulla tua macchina per il piccolo modello locale in Semi-Auto. Nessuna GPU in entrambi i casi. Serve un account gratuito.
• Input e output ortofoto e basi cartografiche. Un GeoPackage con stile in output, un poligono per oggetto, con un'etichetta, una classe, un punteggio di confidenza e un'area.
• Costo il piano gratuito copre 3 km² di rilevamento Automatic e 50 rilevamenti di oggetti Semi-Auto al mese, senza carta. Pro costa €39 al mese per 300 km² e 2.000 rilevamenti di oggetti. Semi-Auto sulla tua macchina non ha contatore.
• Limiti le regole che vietano qualsiasi upload. Le due modalità cloud inviano le immagini a un server, mentre solo il piccolo modello locale resta sulla macchina. Leggiamo le immagini e nient'altro, quindi un foglio catastale scansionato non restituisce nulla.

Product page · Registry entry

Prova AI Segmentation gratuitamente in QGIS, senza carta

Confronto diretto

Come scegliere

• Il tuo deliverable è il metodo, non la mappa. Nulla qui sostituisce un .dcp. Conserva una macchina che apra i tuoi ruleset e ricostruisci il metodo come modello Processing documentato o script Python prima che quella macchina smetta di funzionare.
• Hai segmentato, poi classificato per oggetto. Orfeo, entrambe le metà: LargeScaleMeanShift per gli oggetti, TrainImagesClassifier per le etichette. L'unica catena gratuita che porta le statistiche degli oggetti dall'inizio alla fine.
• Hai soprattutto disegnato aree di training e premuto classify. SCP per un report di accuratezza, dzetsaka per un modello in un minuto.
• Vuoi ottenere gli edifici dalle immagini questo pomeriggio. Deepness con un modello pronto, oppure Mapflow o la nostra soluzione se le immagini possono lasciare la macchina.
• Le immagini potrebbero non lasciare mai la macchina. Questa risposta esclude Mapflow e le nostre due modalità cloud, lasciando tutte le altre soluzioni qui.

Inizia stasera con i.segment su una tile. È già nella tua Processing toolbox, non costa nulla e venti minuti passati sulla soglia ti diranno quanto del tuo lavoro con eCognition fosse segmentazione e quanto fosse ruleset.

Gli otto plugin AI a confronto approfondisce la metà basata sui modelli. L'hub QGIS AI elenca il resto.