Alternatywy dla Deepness: 5 sposobów na deep learning obrazów w QGIS

Deepness uruchamia model deep learning na rastrze wewnątrz , kafelkami, na własnym komputerze. Jest darmowy, działa na licencji Apache 2.0, a nic, co wczytasz, nie opuszcza komputera. Nie ma też wyboru modelu. Plik ONNX musisz dostarczyć samodzielnie. Otwierasz stronę z dokumentacją, klikasz link, ręcznie pobierasz plik z uniwersyteckiego folderu Nextcloud, a następnie wskazujesz go w pluginie. Użytkownicy zaczynają szukać czegoś innego, gdy nie mają takiego pliku albo gdy instalacja zależności kończy się błędem na ich laptopie.

Pięć poniższych narzędzi podchodzi do tego samego problemu z innej strony. Każde jest połączone linkiem i każde odpowiada na te same pytania: co się instaluje, jakiego sprzętu wymaga, czy zobrazowania opuszczają komputer, co jest wejściem, co otrzymujesz na wyjściu i gdzie narzędzie zawodzi.

Tworzymy jeden z sześciu pluginów opisanych tutaj, AI Segmentation. Nasz odpowiada na te same pytania co pozostałe, w tym na pytanie, gdzie zawodzi.

Czym właściwie jest Deepness

Deepness wczytuje sieć neuronową ONNX i przesuwa ją po rastrze w nakładających się kafelkach, a następnie zapisuje wynik w projekcie jako layer. Obsługuje segmentację, detekcję obiektów, regresję i super-resolution, a także pozwala samodzielnie ustawić rozmiar kafelka, nakładanie i przetwarzanie końcowe.

Panel modelu to pole tekstowe i przycisk Browse. Nie ma listy, przycisku pobierania ani galerii wewnątrz QGIS. Rozdzielczość przestrzenną wpisujesz samodzielnie, w centymetrach na piksel. Wynikiem jest memory layer, więc gdy uznasz, że wszystko działa, samodzielnie zapisujesz go na dysku.

Możesz wskazać wszystko, co QGIS potrafi wyświetlić: ortofotomapę na dysku albo layer od dostawcy online, takiego jak Google Satellite. Jest też narzędzie eksportu danych treningowych, które tnie raster i maskę na małe kafelki. To właśnie o tej funkcji ludzie zapominają.

Nic nie opuszcza twojego komputera. Nie ma konta, klucza API ani żądania sieciowego podczas działania modelu. 23 sierpnia 2026 ktoś przejrzał źródła pluginu i znalazł każdy URL w kodzie umieszczony wewnątrz komentarza. Jedynym żądaniem wychodzącym, które wykonuje Deepness, jest pip install przy pierwszym uruchomieniu. Jeśli pracujesz na zobrazowaniach klientów, zobrazowaniach obronnych albo na czymkolwiek, co musi zostać zatwierdzone przez osobę odpowiedzialną za zakupy, to rozstrzyga sprawę. Jest to jedyne miejsce, w którym Deepness pokonuje każde poniższe narzędzie hostowane, włącznie z naszym.

Deepness nie dostarcza własnej funkcji detekcji. Jest runnerem, a model musisz dostarczyć samodzielnie. Licencja to Apache 2.0, a zespół stojący za projektem opublikował plugin w SoftwareX, DOI 10.1016/j.softx.2023.101495.

Gdzie użytkownicy utkną

Model zoo to strona z linkami. 23 sierpnia 2026 zawierało 24 modele: 9 do segmentacji, 6 do detekcji obiektów, 8 do super-resolution, 1 do rozpoznawania i żadnego do regresji. Piętnaście z nich znajduje się w folderze Nextcloud Poznan University, jeden w Fraunhofer, osiem w wydaniach GitHub, a każdy trzeba pobrać ręcznie. Rozdzielczości treningowe wynoszą od 0,5 cm na piksel do 1000 cm na piksel. Jeśli pracujesz z rozdzielczością 20 cm, około dwa z szesnastu modeli zadaniowych będą do ciebie pasować. Nie ma ogólnoświatowego modelu budynków ani ogólnoświatowego modelu roślinności. Dwie opcje dotyczące budynków to model RampDataset przy 40 cm na piksel oraz model pokrycia terenu, którego własna strona mówi, że „zbiór danych obejmuje wyłącznie obszar Polski, dlatego wydajność może być niższa w innych częściach świata”.

Wpisujesz rozdzielczość, a nic jej nie sprawdza. Pole przyjmuje centymetry na piksel, plugin ufa podanej liczbie i nigdy nie porównuje jej z layer. Błędna wartość daje Exception: Unsupported layer units albo ValueError: cannot convert float NaN to integer, a traceback trafia do konsoli Python, której większość użytkowników QGIS nigdy nie otwiera. W zgłoszeniu #183 maintainer napisał, że „warto dodać do kodu kontrolę poprawności, aby utworzyć zrozumiały komunikat błędu”. 23 sierpnia 2026 kontrola nadal nie znajdowała się w kodzie. Ciche niepowodzenie kosztuje więcej niż awaria. W dyskusji #176 użytkownik nie znalazł niczego, dopóki, jak sam napisał, „nie okłamałem pluginu i nie powiedziałem, że piksele mają 10 cm”.

Jeden użytkownik zmierzył prędkość. W zgłoszeniu #192, otwartym od 15 listopada 2024, użytkownik uruchomił model z zoo na kafelku ortofotomapy o rozmiarze 5000 na 5000 pikseli i rozdzielczości 20 cm, na komputerze z Ryzen 7 5800X i GTX 1660 Ti. CPU potrzebował 80 minut. Ten sam kafelek na karcie graficznej zajął 61 sekund. Jeden komputer, jeden model, jeden kafelek, więc traktuj to jako jego pomiar, a nie benchmark. To nadal najbliższa opublikowana odpowiedź na pytanie: „czy mogę zrobić to na biurowym laptopie”.

CPU działa, a CUDA to historia dla Linuxa. Komputer bez karty graficznej uruchomi Deepness, ponieważ ONNX Runtime samoczynnie przechodzi na CPU. Instalator pobiera build GPU wyłącznie na Linuxie. Na Windows i macOS instaluje zwykłe onnxruntime. Maintainer napisał to samo w zgłoszeniu #192: „Na Windows nie udało nam się uruchomić tego z GPU, a jest to bardziej skomplikowane, dlatego Deepness instaluje tylko onnxruntime zamiast onnxruntime-gpu”.

Instalacja zależności to zwykle mur nie do przejścia. Deepness instaluje przez pip OpenCV i ONNX Runtime przy pierwszym otwarciu. Problemy na macOS trwają od zgłoszenia #54 z 20 października 2022, a #209 nadal pozostaje otwarte na Sequoia, przy czym maintainer odpowiada: „Niestety nie mamy macos do testów”. Na QGIS 3.44 zgłoszenie #235 opisuje A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, ponieważ plugin nadal wymaga numpy<2.0.0, a ten QGIS dostarcza NumPy 2.4.3. Za firmowym proxy zgłoszenie #197 kończy się na certificate verify failed: self-signed certificate in certificate chain, a następnie ERROR: No matching distribution found for opencv-python. Gdy zadziałało u mnie, zajęło około dwudziestu minut. Przy pierwszej próbie nie zadziałało ani na Macu, ani na komputerze z Windows.

Nie ma przycisku anulowania. Zgłoszenie #230, otwarte 14 stycznia 2026 i nadal nierozwiązane. Gdy przebieg się rozpocznie, czekasz.

Dokumentacja i plugin to dwie różne rzeczy. Strona dokumentacji jest budowana z gałęzi, która nigdy nie została wydana. Plugin instalowany z marketplace QGIS ma wersję 0.6.5 i został przesłany 10 grudnia 2024.

Nic z tego nie czyni Deepness złym narzędziem. Czyni z niego narzędzie dla kogoś, kto ma już wytrenowany model i działające środowisko Python.

Alternatywy

1. Deepness, punkt odniesienia

• Instalacja. Menedżer pluginów, a następnie OpenCV i ONNX Runtime przy pierwszym uruchomieniu. Około dwudziestu minut, gdy wszystko działa, a na macOS instalacja kończy się błędem od października 2022.
• Działa na. Twoim komputerze, na CPU albo CUDA. Build GPU instaluje się wyłącznie na Linuxie. Bez konta, bez klucza API i bez żądania sieciowego po uruchomieniu.
• Wejście i wyjście. Dowolny raster layer, w tym podkład XYZ lub WMS, oraz plik ONNX pobrany ręcznie. Na wyjściu otrzymujesz memory layer, który zapisujesz samodzielnie.
• Koszt. Darmowy, Apache 2.0, opublikowany w SoftwareX pod DOI 10.1016/j.softx.2023.101495.
• Gdzie zawodzi. Poza danymi treningowymi modelu, który został wczytany. Model budynków wytrenowany przy 40 cm na piksel nie odczyta lotu dronem o rozdzielczości 5 cm, a plugin nie potrafi cię przed tym ostrzec. Wpisz błędną rozdzielczość, a plugin albo się zawiesi, albo niczego nie znajdzie.

Repozytorium i dokumentacja.

2. Geo SAM

• Instalacja. Menedżer pluginów. Sam zarządza zależnościami i pobiera checkpointy modelu wewnątrz QGIS, więc nie musisz wpisywać żadnych poleceń pip.
• Działa na. Twoim komputerze, z domyślnie włączoną akceleracją GPU i działającą ścieżką CPU. Bez konta.
• Wejście i wyjście. Plik rastrowy albo layer XYZ, WMS lub WMTS. Na wyjściu otrzymujesz jeden poligon na każdy prompt, wskazany kliknięciem albo prostokątem.
• Koszt. Darmowy, MIT.
• Gdzie zawodzi. Pierwszy prompt na nowym obrazie jest wolny, ponieważ przed szybkim klikaniem obraz musi zostać zakodowany. FAQ mówi, że może to potrwać „od kilku sekund do kilku minut, zależnie od rozmiaru obrazu, modelu i sprzętu”, a strona kodowania udostępnia strategię Low Memory na wypadek błędów braku pamięci. Narzędzie zwraca też jeden obiekt naraz, więc nie nadaje się do całej dzielnicy.

Repozytorium, dokumentacja, wpis pluginu.

3. GeoAI

• Instalacja. Menedżer pluginów oraz środowisko PyTorch. Własna strona projektu mówi, że instalacja „może być trudna z powodu skomplikowanych zależności pytorch/cuda”. Przy pierwszej próbie nie udało mi się zainstalować na Macu ani na komputerze z Windows, więc zarezerwuj wieczór.
• Działa na. Twoim komputerze. CUDA zapewnia szybkość, Apple MPS działa na Apple Silicon, a CPU jest rozwiązaniem awaryjnym. Bez konta, z wyjątkiem sytuacji, w której wagi SAM 3 wymagają wcześniejszej prośby o dostęp w Hugging Face.
• Wejście i wyjście. Raster layer. Na wyjściu otrzymujesz poligony i maski, po jednym dokowalnym panelu na zadanie: segmentację drzew, segmentację wody, Segment Anything, segmentację semantyczną i instancji.
• Koszt. Darmowy, MIT.
• Gdzie zawodzi. SAM 3 wymaga GPU NVIDIA. Na komputerze wyposażonym wyłącznie w CPU plugin zwraca Failed to load model: Torch not compiled with CUDA enabled, a własna strona projektu mówi o tym, zanim podejmiesz próbę. Pozostałe modele nadal działają.

Dokumentacja pluginu i repozytorium.

4. Mapflow, od Geoalert

• Instalacja. Menedżer pluginów, a następnie logowanie. Nic więcej i bez karty graficznej.
• Działa na. Ich serwerach. Potrzebujesz konta, a zobrazowania opuszczają twój komputer przy każdym przebiegu, ponieważ plugin nie zawiera biblioteki inferencji.
• Wejście i wyjście. Obszar, który zaznaczasz, na jednym z ich źródeł zobrazowań. Na wyjściu otrzymujesz wektorowe layer: budynki z opcjonalną wysokością, drogi, pola uprawne, lasy i place budowy.
• Koszt. Budynki kosztują 10 kredytów za kilometr kwadratowy przy cenie 0,10 USD za kredyt. Rozliczenie jest zaokrąglane w górę do pełnych kilometrów kwadratowych, więc miasto o powierzchni 10 km² kosztuje około 10 USD. Darmowy plan daje 250 kredytów dla maksymalnie 25 km², ale eksport jest zablokowany, więc możesz obejrzeć layer, lecz nie możesz zabrać go ze sobą.
• Gdzie zawodzi. Zabudowa szeregowa. Sąsiednie domy w szeregu łączą się w jeden poligon, co widać na ich własnych zrzutach ekranu, a późniejsze rozdzielanie kosztuje więcej, niż oszczędził sam przebieg.

Dokumentacja pluginu i repozytorium.

5. Bunting Labs AI Vectorizer

• Instalacja. Menedżer pluginów, a następnie konto. Bez karty graficznej.
• Działa na. Ich serwerach. Zobrazowania wokół kursora są wysyłane w miarę rysowania.
• Wejście i wyjście. Raster, nad którym wykonujesz wektoryzację. Na wyjściu geometria trafia do layer, który masz już otwarty w trybie edycji, wierzchołek po wierzchołku przed kursorem.
• Koszt. 29 USD za seat miesięcznie, z limitem 120 uzupełnień dziennie. Powyżej tego limitu cena wynosi 99 USD za seat, bez limitu i bez przechowywania danych. Nie ma darmowego planu.
• Gdzie zawodzi. Nigdy nie zwraca wszystkich dopasowań na obszarze, ponieważ widzi tylko zobrazowania wokół kursora. Przy pięćdziesięciu budynkach nadal klikasz pięćdziesiąt razy, tylko za każdym razem szybciej.

Dokumentacja.

6. AI Segmentation, nasz plugin

• Instalacja. Menedżer pluginów, a następnie konto. Bez pobierania wag, bez środowiska Python i bez karty graficznej. QGIS 3.22 i nowszy.
• Działa na. Naszych serwerach w Europie dla dwóch trybów chmurowych, więc zobrazowania opuszczają twój komputer. Semi-Auto uruchamia mały model lokalnie i pozostawia zobrazowania na twoim komputerze.
• Wejście i wyjście. Strefa zaznaczona na dowolnym rastrze lub podkładzie oraz słowo, takie jak building albo solar panel. Na wyjściu otrzymujesz stylizowany GeoPackage, jeden poligon na każdy obiekt, z etykietą, klasą, poziomem pewności i powierzchnią.
• Koszt. 3 km² automatycznej detekcji miesięcznie za darmo, bez karty. Miasto o powierzchni 10 km² wymaga Pro, za 39 EUR miesięcznie dla 300 km². Semi-Auto na własnym komputerze nie ma licznika.
• Gdzie zawodzi. Zwraca więcej, niż prosisz. Wentylatory, świetliki, szopy na dziedzińcach i cienie wracają jako prawdziwe, poprawnie obrysowane poligony, które nie są budynkami, a ty przesuwasz suwaki poziomu pewności i powierzchni, aż uzyskasz odpowiedni wynik. W jednym przebiegu dla Paryża zmniejszyliśmy liczbę poligonów z 635 do 82, a te 82 nadal obejmowały 84% zabudowanej powierzchni. Granica pola zanikająca w zaroślach to miejsce, w którym narzędzie się waha, dokładnie tak jak ty.

Strona produktu.

Wypróbuj za darmo w QGIS, karta nie jest potrzebna

Porównanie obok siebie

Jak wybrać

• Masz plik ONNX albo jeden z 24 modeli z zoo pasuje do twojego sensora i rozdzielczości. Zostań przy Deepness i sprawdź wersję NumPy, zanim zgłosisz błąd.
• Chcesz używać SAM lokalnie i nigdy niczego nie trenowałeś. Geo SAM sprawdzi się przy jednym obiekcie naraz i bez konfiguracji, a GeoAI zapewni największy wybór zadań, jeśli masz kartę NVIDIA i wolny wieczór.
• Masz biurowy laptop i nie masz czasu na instalację. Mapflow albo nasze AI Segmentation, ponieważ oba uruchamiają model na serwerze i wymagają tylko pluginu.
• Ręcznie tworzysz przebieg linii zamiast wykrywać obiekty na obszarze. Bunting Labs.

Najpierw odpowiedz na jedno pytanie. Czy zobrazowania mogą opuścić twój komputer? Odpowiedź „nie” wyklucza Mapflow, Bunting Labs i oba nasze tryby chmurowe, pozostawiając Deepness, Geo SAM albo GeoAI.

Osiem porównanych pluginów AI obejmuje szerszy wybór, a przewodnik po SAM dokładniej wyjaśnia, który plugin uruchamia którą wersję Segment Anything.