Alternatywy dla Deepness w QGIS: 5 darmowych i płatnych

Najszybszym zamiennikiem Deepness jest AI Segmentation, nasza wtyczka: narysuj obszar, wpisz building, a poligony wracają bez żadnego pliku modelu. Sam Deepness uruchamia model deep learning na rastrze wewnątrz QGIS, kafel po kaflu, na twojej własnej maszynie, za darmo.

Deepness działa na pliku ONNX, który dostarczasz: wybierasz model na stronie dokumentacji, pobierasz go, potem wskazujesz go we wtyczce. Jeśli nie masz takiego pliku, pozostałe narzędzia poniżej zaczynają od innych danych wejściowych. Deepness jest pod numerem dwa, na tych samych zasadach co resztę.

Porównanie w skrócie

1. AI Segmentation

AI Segmentation jest nasz, więc oceń ten wpis z tym zastrzeżeniem. Narysuj obszar na dowolnym rastrze lub podkładzie mapowym, wpisz słowo takie jak building lub solar panel, a każde trafienie wraca jako osobny poligon. Wynik to stylizowany GeoPackage, każdy poligon niesie etykietę, klasę, ocenę pewności i powierzchnię.

• Najlepsze dla: geomatyka bez modelu, bez karty graficznej i bez wolnego wieczoru, który potrzebuje dziś obiektów ze zdjęcia.
• Nie do: zdjęć, które nie mogą opuścić maszyny, chyba że zostaniesz w Semi-Auto, ani klasy, którą znają tylko twoje własne etykiety.
• Cena: za darmo do 1,5 km² miesięcznie w trybie Automatycznym, bez karty. Pro to 39 € miesięcznie za 100 km². Semi-Auto na twojej własnej maszynie nie ma licznika.
• Działa na: naszych serwerach w Europie dla dwóch trybów chmurowych, więc obraz z twojego obszaru opuszcza twoją maszynę. Semi-Auto uruchamia mały model lokalnie i trzyma go na miejscu.
• Instalacja: sama wtyczka i nic więcej. Bez komendy pip, bez CUDA i bez pobierania wag.

Gdzie wygrywa

• Słowo, które wpisujesz, to klasa, więc przejście od building do solar panel kosztuje jedno pole, nie ponowny trening.
• Suwaki pewności i powierzchni filtrują wynik w miejscu, przed eksportem.

Ograniczenia

• Zwraca więcej, niż chcesz. Wyrzutnie, świetliki, szopy na dziedzińcu i cienie wracają jako poprawnie obrysowane poligony, które nie są budynkami, więc przeciągasz suwaki, aż znikną. W jednym przebiegu dla Paryża zredukowano tak 635 poligonów do 82, a te 82 nadal trzymały 84% powierzchni zabudowy.

Strona produktu i pełny przewodnik.

Wypróbuj bezpłatnie w QGIS, karta niepotrzebna

2. Deepness

Ładuje sieć ONNX, którą dostarczasz, przesuwa ją po rastrze w nakładających się kafelkach i zapisuje wynik z powrotem jako warstwę. Segmentacja, detekcja obiektów, regresja i zwiększanie rozdzielczości, a ty ustawiasz rozmiar kafelka, nakładanie i postprocessing.

• Najlepsze dla: kogoś z wytrenowanym plikiem ONNX albo sensorem pasującym do jednego z 24 modeli ze strony zoo, którego zdjęcia muszą zostać na maszynie.
• Zbudowany do: osób, które przynoszą własny model ONNX.
• Cena: za darmo. Bez konta, bez klucza API, bez kontroli licencji w kodzie. Jedynym wywołaniem wychodzącym jest pip install przy pierwszym starcie.
• Działa na: twojej maszynie, CPU lub CUDA. Instalator pobiera build GPU tylko na Linuksie, więc Windows i macOS dostają zwykłe onnxruntime.
• Instalacja: wtyczka, potem OpenCV i ONNX Runtime przy pierwszym starcie.

Gdzie wygrywa

• Działa twój własny model. Każdy ONNX zgodny z udokumentowanym kształtem działa, wytrenowany na twoich etykietach, twoim sensorze, twojej rozdzielczości.
• Nic nie jest taryfikowane, więc miasto 10 km² i region 1000 km² kosztują tyle samo.
• Apache 2.0 i recenzja w SoftwareX (DOI 10.1016/j.softx.2023.101495), więc przypięty plik modelu da tę samą odpowiedź za trzy lata.

Ograniczenia

• Przynosisz model i sam ustawiasz jego rozdzielczość w cm na piksel. Strona zoo wymienia 24 modele, trenowane w rozdzielczościach od 0,5 do 1000 cm na piksel, i zaznacza, że dostarczone modele nie są uniwersalnymi narzędziami.
• Przebiegi na CPU trwają dłużej niż na GPU. Użytkownik zgłosił w issue #192, 80 minut na Ryzen 7 5800X wobec 61 sekund na GTX 1660 Ti. Jedna maszyna, jeden model, więc czytaj to jako jego pomiar, nie benchmark.

Repozytorium i dokumentacja. Na dzień 23 sierpnia 2026 dokumenty budują się z nowszej, nieopublikowanej gałęzi, a wersja w repozytorium wtyczek QGIS to 0.6.5 z 10 grudnia 2024.

3. Geo SAM

Segment Anything wewnątrz QGIS. Kliknij punkt lub przeciągnij prostokąt na rastrze, a ten jeden obiekt wraca jako poligon.

• Najlepsze do: kilkudziesięciu obiektów z lokalnego zdjęcia, bez polowania na plik modelu i bez komendy pip do wpisania.
• Zbudowany do: jednego obiektu na prompt.
• Cena: za darmo, MIT.
• Działa na: twojej maszynie, z kartą graficzną lub bez. Bez konta.
• Instalacja: wtyczka. Sam zarządza zależnościami i pobiera checkpointy z wnętrza QGIS.

Gdzie wygrywa

• Jedyna opcja offline, która w ogóle nie prosi o plik modelu.
• Przyjmuje plik rastrowy albo warstwę XYZ, WMS lub WMTS, więc podkład mapowy działa.

Ograniczenia

• Pierwszy prompt na nowym zdjęciu czeka, aż cały obraz się zakoduje, "from a few seconds to several minutes depending on the image size, model, and hardware" według własnego FAQ, które daje też strategię low-memory, gdy ten krok wyczerpie RAM.

Repozytorium, dokumentacja i wpis wtyczki.

4. GeoAI

Zestaw gotowych zadań, każde z dokowalnym panelem: segmentacja drzew, segmentacja wody, Segment Anything, segmentacja semantyczna i instancyjna, plus trener własnego modelu. Każdy panel zwraca poligony i maski.

• Najlepsze dla: kogoś z kartą NVIDIA i wolnym wieczorem, kto chce pokryć kilka zadań detekcji bez eksportu pliku ONNX.
• Uwaga: SAM 3 wymaga karty NVIDIA.
• Cena: za darmo, MIT.
• Działa na: twojej maszynie. CUDA dla prędkości, Apple MPS na Apple Silicon, CPU jako fallback. Bez konta, poza tym, że wagi SAM 3 wymagają najpierw prośby o dostęp w Hugging Face.
• Instalacja: wtyczka plus środowisko PyTorch. Własna strona mówi, że to "can be challenging due to the complicated pytorch/cuda dependencies".

Gdzie wygrywa

• Kilka zadań w jednej wtyczce, każde z własnym panelem, żadne nie wymaga pliku modelu.
• Trener trzyma twoje własne etykiety w tym samym narzędziu.

Ograniczenia

• SAM 3 wymaga karty NVIDIA. Bez niej zwraca Failed to load model: Torch not compiled with CUDA enabled, a pozostałe modele nadal działają.

Dokumentacja wtyczki i repozytorium.

5. Mapflow, by Geoalert

Narysuj obszar na jednym z ich źródeł zdjęć, wybierz klasę, a wracają wektorowe warstwy: budynki z opcjonalną wysokością, drogi, pola rolne, las, place budowy.

• Najlepsze do: jednej z tych gotowych klas w skali całego miasta, bez niczego do instalacji i bez karty graficznej.
• Nie do: klasy spoza ich listy.
• Cena: kredyty po 0,10 USD za sztukę. Budynki to 10 kredytów za km², a podkład mapowy dodaje 1 do 9 więcej, więc uruchomienie na podkładzie Mapbox w powiększeniu 18 kosztuje 13 kredytów, około 1,30 USD za km², a każde zlecenie zaokrągla się w górę do pełnego km². Darmowy plan daje 250 kredytów na maksymalnie 25 km².
• Działa na: ich usłudze hostowanej dla wtyczki QGIS, z kontem. Ich strona wymienia też opcję on-premise dla klientów enterprise, której ten artykuł nie porównuje.
• Instalacja: tylko wtyczka.

Gdzie wygrywa

• Panel pokazuje koszt, zanim uruchomisz przetwarzanie.
• Wysokość budynku wraca jako atrybut, czego nie daje żadne inne narzędzie tutaj.

Dokumentacja wtyczki i repozytorium.

Obok siebie

Kolumna instalacji to ta, którą ludzie lekceważą, a wpis Deepness mówi to samo.

Jak przejść z Deepness

Najpierw wyeksportuj wyniki. Wynik Deepness ląduje w warstwie tymczasowej, która znika razem z projektem, więc kliknij ją prawym przyciskiem i zapisz jako GeoPackage, zanim zamkniesz QGIS.

Twój plik ONNX nie ma domu w pozostałych czterech. Żaden z nich nie wczyta sieci wytrenowanej przez ciebie. Zachowaj plik i trzymaj Deepness zainstalowany na dzień, gdy zlecenie go będzie potrzebować.

Tracisz inferencję offline, ale tylko jeśli wybierzesz hostowaną wtyczkę Mapflow lub nasz tryb Automatyczny, bo oba wysyłają obraz z twojego obszaru na serwer. Geo SAM i GeoAI zostają lokalnie, dokładnie jak Deepness. Zysk jest ten sam we wszystkich czterech przypadkach: bez polowania na model, bez rozdzielczości w cm/px do wpisania, bez pip install przy pierwszym starcie.

Co zapamiętać

Deepness to jedyne narzędzie na tej stronie, które uruchamia sieć wytrenowaną samodzielnie, i to jest ta jedna rzecz do rozważenia przed odejściem.

Zoo modeli to strona dokumentacji, więc plik ONNX trafia tam ręcznie a rozdzielczość ustawiasz sam.

Jeden zgłoszony przez użytkownika kafelek 5000 na 5000 pikseli przy 20 cm zajął 80 minut na CPU, wobec 61 sekund na GTX 1660 Ti.

Deepness, Geo SAM i GeoAI nie wykonują żadnego wywołania sieciowego, gdy model działa, więc zdjęcia z zakazem uploadu zostają na twoim dysku.

Wykrycie każdego budynku w mieście 10 km² kosztuje około 13 USD na Mapflow, dziesiątą część miesiąca 39 € na Pro i czas instalacji na trzech darmowych narzędziach.

Jak je porównałem

Pięć kryteriów: co podajesz narzędziu, gdzie działa, czy twoje zdjęcia opuszczają maszynę, ile kosztuje prawdziwe zlecenie i ile trwa instalacja. Ceny, wersje, licencje i numery otwartych zgłoszeń odczytano 23 sierpnia 2026 z repozytorium lub dokumentacji każdego projektu. Zrzuty ekranu pochodzą z tego samego dnia.

Jawność: pierwszy wpis to nasz. Jeśli twoje zdjęcia podlegają polityce zakazującej jakiegokolwiek uploadu, a masz już wytrenowany plik ONNX, zostań przy Deepness. Nasz tryb Automatyczny wykrywa na naszych serwerach, więc nic tego nie zmienia.

Częste pytania

Czy jest alternatywa Deepness bez pliku ONNX?

Wszystkie cztery pozostałe. Geo SAM i GeoAI pobierają własne wagi za ciebie, a hostowana wtyczka Mapflow i nasz AI Segmentation trzymają swoje na serwerze, więc nic nie ląduje na twoim dysku. Deepness prosi, by przynieść własny, co jest też tym, dzięki czemu uruchamia model wytrenowany samodzielnie.

Czy Deepness działa na macOS?

Ich tracker GitHub zawiera zgłoszenia instalacji na macOS, na przykład #209, otwarte na dzień 23 sierpnia 2026. Sprawdź tracker, zanim cokolwiek zaplanujesz. Geo SAM sam obsługuje zależności, a narzędzia hostowane potrzebują tylko wtyczki, więc Mac nie zatrzymuje żadnego z nich.

Czy uruchomię deep learning w QGIS bez karty graficznej?

Tak. Deepness, Geo SAM i GeoAI wszystkie spadają do CPU, a Deepness nawet nie instaluje buildu GPU na Windows ani macOS. Płacisz czasem: jeden zgłoszony przez użytkownika kafelek zajął 80 minut na CPU wobec 61 sekund na GTX 1660 Ti. Bez karty ani cierpliwości Mapflow i nasz AI Segmentation liczą na serwerze.

Czy jest znany problem z Deepness na QGIS 3.44?

Użytkownik zgłosił go w issue #235, otwartym na dzień 23 sierpnia 2026: wymagania wtyczki przypinają numpy<2.0.0, a QGIS 3.44 ma NumPy 2.4.3, więc pierwszy start wypisał A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3. Wypisz numpy.__version__ w konsoli Pythona w QGIS, zanim zaczniesz instalację.

Które z nich trzyma moje zdjęcia na mojej maszynie?

Deepness, Geo SAM i GeoAI, wszystkie trzy w pełni: bez konta, bez klucza API i bez wywołania sieciowego, gdy model działa. Nasz tryb Semi-Auto też zostaje lokalnie, a nasz tryb Automatyczny i hostowana wtyczka Mapflow wysyłają obraz z twojego obszaru na serwer, nasz w Europie.

Ile kosztuje wykrycie każdego budynku w mieście 10 km²?

Około 13 USD na Mapflow, przy 13 kredytach za km² na podkładzie Mapbox w powiększeniu 18. Na naszym planie Pro 39 € miesięcznie pokrywa 100 km², więc to miasto to dziesiąta część miesiąca. Na trzech darmowych narzędziach obszar kosztuje zero, a płacisz czasem instalacji i godzinami CPU.

Czy 24 modele z zoo Deepness pokrywają moje zdjęcia?

Są trenowane w rozdzielczościach od 0,5 do 1000 cm na piksel, więc porównaj kolumnę CM/PX ze swoimi zdjęciami. Sama strona zawiera uwagę, że modele nie są uniwersalnymi narzędziami.

Czy wynik Deepness przetrwa zamknięcie QGIS?

Wynik Deepness ląduje w warstwie tymczasowej, która znika razem z projektem. Kliknij ją prawym przyciskiem i zapisz jako GeoPackage, zanim cokolwiek zamkniesz.

Węższe zadania mają własne narzędzia: Bunting Labs AI Vectorizer prowadzi linework przed twoim kursorem, gdy digitalizujesz ręcznie, SamGeo to kolejna lokalna wtyczka Segment Anything, a SCP klasyfikuje pokrycie terenu z obszarów treningowych, które rysujesz.

Porównanie ośmiu wtyczek AI pokrywa szersze pole, przewodnik SAM idzie głębiej w Segment Anything, a hub QGIS AI mapuje resztę.

Wypróbuj bezpłatnie w QGIS, karta niepotrzebna