Alternativas ao Deepness: 5 formas de executar deep learning em imagens no QGIS

O Deepness executa um modelo de deep learning sobre um raster dentro do , bloco por bloco, na sua própria máquina. Ele é gratuito, tem licença Apache 2.0 e nada do que você carrega sai do seu computador. Ele também não tem seletor de modelos. Você fornece o arquivo ONNX por conta própria. Você abre uma página de documentação, clica em um link, baixa o arquivo manualmente de uma pasta Nextcloud de uma universidade e depois procura esse arquivo no plugin. As pessoas começam a procurar outra solução quando não têm esse arquivo ou quando a instalação das dependências falha no laptop.

As cinco ferramentas abaixo cobrem o mesmo terreno por ângulos diferentes. Cada uma tem links, e todas respondem às mesmas perguntas: o que é instalado, de qual hardware precisa, se as imagens saem da sua máquina, o que entra, o que sai e onde ela falha.

Nós desenvolvemos um dos seis plugins apresentados aqui, AI Segmentation. O nosso responde às mesmas perguntas que os demais, inclusive à pergunta sobre onde ele falha.

O que o Deepness realmente é

O Deepness carrega uma rede neural ONNX e a desliza sobre um raster em blocos sobrepostos, depois grava o resultado de volta no seu projeto como um layer. Ele cobre segmentação, detecção de objetos, regressão e super-resolução, e permite definir o tamanho do bloco, a sobreposição e o pós-processamento por conta própria.

O painel do modelo é uma caixa de texto e um botão Browse. Não há lista, botão de download ou galeria dentro do QGIS. Você digita a resolução espacial por conta própria, em centímetros por pixel. O resultado é um layer de memória, então você mesmo o salva em disco quando estiver satisfeito.

Você pode apontá-lo para qualquer coisa que o QGIS consiga desenhar: um ortofoto no disco ou um layer de um provedor online, como o Google Satellite. Também existe uma ferramenta de exportação de dados de treinamento que corta um raster e uma máscara em pequenos blocos, uma parte que as pessoas esquecem que ele oferece.

Nada sai da sua máquina. Nenhuma conta, nenhuma chave de API, nenhuma chamada de rede enquanto o modelo é executado. Alguém leu o código-fonte do plugin em 23 de agosto de 2026 e encontrou todas as URLs do código dentro de comentários. A única requisição externa feita pelo Deepness é o pip install na primeira inicialização. Se você trabalha com imagens de clientes, imagens de defesa ou qualquer coisa que precise da aprovação de um responsável por compras, isso resolve a questão, e é o único ponto em que o Deepness supera todas as ferramentas hospedadas abaixo, inclusive a nossa.

O Deepness não oferece capacidade própria de detecção. Ele é um executor, e o modelo precisa ser fornecido por você. A licença é Apache 2.0, e a equipe por trás dele publicou o plugin na SoftwareX, DOI 10.1016/j.softx.2023.101495.

Onde as pessoas ficam bloqueadas

O zoológico de modelos é uma página de links. Em 23 de agosto de 2026, ele listava 24 modelos: 9 para segmentação, 6 para detecção de objetos, 8 para super-resolução, 1 para reconhecimento e nenhum para regressão. Quinze ficam em uma pasta Nextcloud da Universidade de Poznan, um na Fraunhofer, oito nas releases do GitHub, e todos exigem download manual. As resoluções de treinamento vão de 0,5 cm por pixel a 1000. Se você trabalha a 20 cm, cerca de dois dos dezesseis modelos de tarefas são compatíveis com você. Não há um modelo mundial de edificações nem um modelo mundial de vegetação. As duas opções para edificações são um modelo RampDataset a 40 cm por pixel e um modelo de cobertura do solo cuja própria página diz "the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world".

Você digita a resolução, e nada a verifica. A caixa aceita centímetros por pixel, o plugin confia no número informado e nunca compara esse número com o layer. Um valor incorreto gera Exception: Unsupported layer units ou ValueError: cannot convert float NaN to integer, com o traceback no console Python que a maioria dos usuários do QGIS nunca abre. No issue #183, um mantenedor escreveu que "it is worth adding a sanity check to the code to create a meaningful error message". Lido em 23 de agosto de 2026, o teste ainda não estava no código. A falha silenciosa custa mais do que o erro. Na discussion #176, um usuário não encontrou absolutamente nada até que, nas palavras dele, "i lied to the plugin and said that the pixels are 10cm".

Um usuário mediu a velocidade. No issue #192, aberto desde 15 de novembro de 2024, um usuário executou um modelo do zoológico sobre um bloco de ortofoto de 5000 por 5000 pixels a 20 cm, em um Ryzen 7 5800X com uma GTX 1660 Ti. A CPU levou 80 minutos. O mesmo bloco na placa gráfica levou 61 segundos. Uma máquina, um modelo, um bloco, então leia isso como a medição dele, não como um benchmark. Ainda é a coisa mais próxima de uma resposta publicada para "posso fazer isso no laptop do escritório".

A CPU funciona, e CUDA é uma história do Linux. Uma máquina sem placa gráfica executa o Deepness, porque o ONNX Runtime recorre à CPU por conta própria. O instalador só busca a versão para GPU no Linux. No Windows e no macOS, ele instala o onnxruntime comum. O mantenedor escreveu isso no mesmo 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."

A instalação das dependências é o obstáculo de sempre. O Deepness instala OpenCV e ONNX Runtime via pip na primeira vez que você o abre. O macOS falha desde o #54, em 20 de outubro de 2022, e o #209 continua aberto no Sequoia, com o mantenedor respondendo "Unfortunately, we do not have macos to test on." No QGIS 3.44, o #235 relata A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, porque o plugin ainda fixa numpy<2.0.0 e essa versão do QGIS fornece NumPy 2.4.3. Atrás de um proxy corporativo, o #197 para em certificate verify failed: self-signed certificate in certificate chain, seguido de ERROR: No matching distribution found for opencv-python. Quando funcionou para mim, levou cerca de vinte minutos. Na primeira tentativa, falhou tanto em um Mac quanto em uma máquina Windows.

Não há botão de cancelamento. O issue #230, aberto em 14 de janeiro de 2026, continua aberto. Depois que uma execução começa, você espera.

A documentação e o plugin são duas coisas diferentes. O site de documentação é gerado a partir de uma branch que nunca foi lançada. O plugin instalado pelo marketplace do QGIS é o 0.6.5, enviado em 10 de dezembro de 2024.

Nada disso faz do Deepness uma ferramenta ruim. Faz dele uma ferramenta para quem já tem um modelo treinado e um ambiente Python que funciona.

As alternativas

1. Deepness, a referência

• Instalação. Gerenciador de plugins, depois OpenCV e ONNX Runtime na primeira inicialização. Cerca de vinte minutos quando funciona, e falha no macOS desde outubro de 2022.
• Executa em. Sua máquina, CPU ou CUDA. A versão para GPU só é instalada no Linux. Nenhuma conta, nenhuma chave de API e nenhuma chamada de rede depois que ele começa a executar.
• Entrada e saída. Qualquer layer raster, incluindo um mapa-base XYZ ou WMS, além de um arquivo ONNX baixado manualmente. A saída é um layer de memória que você salva por conta própria.
• Custo. Gratuito, Apache 2.0, publicado na SoftwareX sob o DOI 10.1016/j.softx.2023.101495.
• Onde falha. Fora dos dados de treinamento do modelo que você carregou. Um modelo de edificações treinado a 40 cm por pixel não interpretará um voo de drone a 5 cm, e o plugin não consegue avisar você. Digite a resolução errada e ele trava ou não encontra nada.

Repositório e documentação.

2. Geo SAM

• Instalação. Gerenciador de plugins. Ele gerencia as próprias dependências e baixa os checkpoints do modelo de dentro do QGIS, então não há comandos pip para digitar.
• Executa em. Sua máquina, com aceleração por GPU ativada por padrão e um caminho funcional para CPU. Nenhuma conta.
• Entrada e saída. Um arquivo raster ou um layer XYZ, WMS ou WMTS. A saída é um polígono por prompt, a partir de um clique ou de uma caixa.
• Custo. Gratuito, MIT.
• Onde falha. O primeiro prompt em uma imagem nova é lento, porque a imagem precisa ser codificada antes que os cliques fiquem rápidos. A FAQ diz que isso pode levar "from a few seconds to several minutes depending on the image size, model, and hardware", e a página de codificação oferece uma estratégia Low Memory para quando você encontra erros de falta de memória. Ele também retorna um objeto por vez, então é a ferramenta errada para um bairro inteiro.

Repositório, documentação e página do plugin.

3. GeoAI

• Instalação. Gerenciador de plugins, mais um ambiente PyTorch por baixo. A própria página do projeto diz que a instalação "can be challenging due to the complicated pytorch/cuda dependencies". Eu falhei na primeira tentativa tanto em um Mac quanto em uma máquina Windows, então reserve uma noite.
• Executa em. Sua máquina. CUDA para velocidade, Apple MPS no Apple Silicon e CPU como fallback. Nenhuma conta, exceto que os pesos do SAM 3 exigem uma solicitação de acesso no Hugging Face antes.
• Entrada e saída. Um layer raster. A saída são polígonos e máscaras, com um painel acoplável por tarefa: segmentação de árvores, segmentação de água, Segment Anything, segmentação semântica e segmentação de instâncias.
• Custo. Gratuito, MIT.
• Onde falha. O SAM 3 precisa de uma GPU NVIDIA. Em uma máquina somente com CPU, o plugin retorna Failed to load model: Torch not compiled with CUDA enabled, e a própria página informa isso antes que você tente. Os outros modelos continuam funcionando.

Documentação do plugin e repositório.

4. Mapflow, da Geoalert

• Instalação. Gerenciador de plugins, depois faça login. Nada além disso, e nenhuma placa gráfica.
• Executa em. Nos servidores deles. Você precisa de uma conta, e as imagens saem da sua máquina em cada execução, porque nenhuma biblioteca de inferência é distribuída com o plugin.
• Entrada e saída. Uma área que você desenha sobre uma das fontes de imagens deles. A saída são layer vetoriais: edificações com altura opcional, estradas, campos agrícolas, florestas e canteiros de obras.
• Custo. Edificações custam 10 créditos por quilômetro quadrado a US$ 0,10 por crédito, arredondados para quilômetros quadrados inteiros, então uma cidade de 10 km² custa cerca de US$ 10. O plano gratuito oferece 250 créditos em no máximo 25 km², com a exportação bloqueada, então você pode olhar, mas não levar o layer para casa.
• Onde falha. Casas geminadas. Casas adjacentes em uma fileira se fundem em um único polígono, algo visível nas próprias capturas de tela deles, e separá-las depois custa mais do que a execução economizou.

Documentação do plugin e repositório.

5. Bunting Labs AI Vectorizer

• Instalação. Gerenciador de plugins, depois uma conta. Nenhuma placa gráfica.
• Executa em. Nos servidores deles. As imagens ao redor do seu cursor são enviadas enquanto você desenha.
• Entrada e saída. O raster sobre o qual você está traçando. A saída é uma geometria no layer que você já abriu no modo de edição, vértice por vértice à frente do cursor.
• Custo. US$ 29 por assento por mês, com limite de 120 conclusões por dia. Acima disso, US$ 99 por assento, sem limite e sem retenção de dados. Não há plano gratuito.
• Onde falha. Ele nunca retorna todas as correspondências de uma área, porque só enxerga as imagens ao redor do seu cursor. Para cinquenta edificações, você ainda clica cinquenta vezes, apenas mais rápido a cada vez.

Documentação.

6. AI Segmentation, o nosso

• Instalação. Gerenciador de plugins, depois uma conta. Nenhum download de pesos, nenhum ambiente Python e nenhuma placa gráfica. QGIS 3.22 ou superior.
• Executa em. Nossos servidores na Europa nos dois modos em nuvem, então as imagens saem da sua máquina. O Semi-Auto executa um modelo pequeno localmente e mantém as imagens na sua máquina.
• Entrada e saída. Uma zona que você desenha sobre qualquer raster ou mapa-base, mais uma palavra como building ou solar panel. A saída é um GeoPackage estilizado, com um polígono por objeto, cada um com um rótulo, uma classe, um índice de confiança e uma área.
• Custo. 3 km² de detecção automática por mês gratuitamente, sem cartão. Uma cidade de 10 km² precisa do Pro, por € 39 ao mês para 300 km². O Semi-Auto na sua própria máquina não tem contador.
• Onde falha. Ele retorna mais do que você pediu. Vents, claraboias, galpões de pátio e sombras aparecem como polígonos reais, corretamente contornados, que não são edificações, e você ajusta os controles deslizantes de confiança e área até chegar ao resultado desejado. Em uma execução em Paris, isso reduziu 635 polígonos a 82, e esses 82 ainda continham 84% da área construída. Uma borda de campo desaparecendo no matagal é o ponto em que ele hesita, no mesmo lugar em que você hesitaria.

Página do produto.

Experimente gratuitamente no QGIS, sem cartão

Comparação lado a lado

Como escolher

• Você tem um arquivo ONNX ou um dos 24 modelos do zoológico é compatível com seu sensor e sua resolução. Continue no Deepness e verifique sua versão do NumPy antes de abrir um bug.
• Você quer SAM localmente e nunca treinou nada. Geo SAM para um objeto por vez, sem nada para configurar. GeoAI para o conjunto mais amplo de tarefas se você tiver uma placa NVIDIA e uma noite disponível.
• Você tem um laptop do escritório e nenhum tempo para instalação. Mapflow ou o nosso AI Segmentation, ambos executam o modelo em um servidor e precisam apenas do plugin.
• Você está traçando linhas manualmente em vez de detectar objetos em uma área. Bunting Labs.

Responda a uma pergunta antes de todas as outras. As imagens podem sair da sua máquina? Se a resposta for não, isso elimina o Mapflow, o Bunting Labs e os dois modos em nuvem do nosso produto, deixando você com Deepness, Geo SAM ou GeoAI.

Os oito plugins de AI comparados cobre o campo mais amplo, e o guia do SAM explica em mais detalhes qual plugin executa qual versão do Segment Anything.