Alternativas ao eCognition: análise de imagens baseada em objetos sem licença

A própria página de produto da Trimble traz esta frase: "Trimble eCognition não é mais vendido ativamente. Esta página permanece ativa para que os clientes existentes acessem os downloads do software." Eu a li em 23 de agosto de 2026. Portanto, a pergunta mudou. Já não é mais se vale a pena renovar a licença, mas qual ferramenta gratuita cobre cada parte do trabalho. E uma dessas partes não tem substituto gratuito.

Eu cofundei a TerraLab, então AI Segmentation perto do final é nossa. Mesmas colunas, mesmo limite de uma linha que todo o restante.

O que o eCognition realmente oferece

O eCognition é um ambiente de análise de imagens baseada em objetos, não um botão que encontra edifícios, e você conduz cada etapa manualmente.

A segmentação vem primeiro. A segmentação multirresolução começa com pixels individuais e une vizinhos enquanto um limite de homogeneidade é mantido. Você define um parâmetro de escala para o tamanho dos objetos, divide a homogeneidade entre cor e forma e depois divide a forma entre suavidade e compactação. A forma não pode exceder 0.9. Esses quatro números são o trabalho artesanal, e você os ajusta novamente para cada sensor e cada paisagem.

Depois vem uma hierarquia de classes escrita por você: classes, características herdadas, funções de pertinência sobre médias espectrais, textura, área, vizinhos e relações com objetos pais e filhos. Então você executa, observa, altera os números e executa novamente.

O resultado que importa é o conjunto de regras, salvo como um arquivo .dcp ou empacotado como uma solução .dax, não os polígonos. Esse arquivo é o método. Entregue-o a um colega, execute-o sobre mil tiles no eCognition Server, obtenha a mesma classificação todas as vezes e mostre a um auditor por que um polígono foi identificado como edifício.

Nada gratuito substitui isso hoje. Cada ferramenta abaixo oferece uma etapa. Nenhuma oferece um arquivo de regras portátil e versionado que um colega possa executar sem alterações e defender em uma revisão. Se o seu entregável é o método, e não o mapa, mantenha uma máquina que ainda abra seus arquivos .dcp.

A documentação do conjunto de regras da Trimble e a referência de segmentação multirresolução continuam disponíveis online e são gratuitas para leitura.

Rota 1: você quer apenas a etapa de segmentação

Estas ferramentas dividem a imagem em objetos. Elas não os classificam.

1. Orfeo ToolBox

A opção gratuita mais próxima da etapa de segmentação do eCognition e a única criada para cenas grandes.

• Instalação OTB e depois o plugin OrfeoToolbox Provider, que saiu do núcleo do QGIS na versão 3.36. O CookBook mostra a integração. A linha de comando também funciona.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída qualquer raster. LargeScaleMeanShift encadeia suavização, segmentação, união de pequenas regiões e vetorização, e grava um arquivo vetorial cujos polígonos já carregam a média e o desvio padrão por banda. Essa tabela alimenta o classificador em seguida.
• Custo gratuito, Apache 2.0.
• Falha em usar os valores padrão: raio espacial 5, raio de alcance 15, tamanho mínimo de 50 pixels e tiles de 500 por 500. Espere fazer várias execuções até acertar o tamanho dos objetos.

orfeo-toolbox.org · LargeScaleMeanShift

2. GRASS i.segment

Já está dentro do , porque o GRASS vem com ele.

• Instalação nada. O provedor GRASS já está no Processing.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída um grupo de imagens. A saída é um raster de segmentos, que i.segment.stats transforma em estatísticas por objeto para classificação.
• Custo gratuito, GPL.
• Falha em exigir paciência. Existem dois métodos, crescimento de regiões e mean shift, e o limite do crescimento de regiões não tem significado físico, então você o encontra por bisseção. O complemento i.segment.uspo automatiza essa busca e leva horas.

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

3. SAGA

A maneira mais rápida de ver uma segmentação sem ler um manual.

• Instalação do plugin Processing Saga NextGen Provider e do próprio SAGA. Ele saiu do conjunto Processing do núcleo do QGIS.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída grades na entrada, uma grade de segmentos e polígonos opcionais na saída.
• Custo gratuito. GPL, com a API sob LGPL.
• Falha em qualquer coisa que precise escalar ou ser repetida. A biblioteca Imagery/Segmentation contém Seeded Region Growing, Superpixel Segmentation, Watershed Segmentation e três auxiliares, e é rápida para testar. Ela não tem uma estrutura de características de objetos, então a etapa de estatísticas fica por sua conta.

saga-gis.sourceforge.io

4. scikit-image e RSGISLib

Para quem prefere escrever a segmentação em vez de clicar nela.

• Instalação de um ambiente Python. scikit-image é instalado via pip ou conda, e RSGISLib via conda, sendo mais pesado.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída arrays na entrada, arrays de rótulos na saída. O georreferenciamento fica por sua conta, usando rasterio ou GDAL.
• Custo gratuito. scikit-image é BSD-3-Clause, RSGISLib é GPL v3.
• Falha em toda a parte de integração. Felzenszwalb, quickshift, SLIC e watershed têm quatro linhas cada, e nenhum deles sabe o que é um CRS. A segmentação Shepherd do RSGISLib é a correspondência publicada mais próxima do eCognition, instala apenas via conda-forge, e o site não respondia por https em 23 de agosto de 2026, então use o repositório.

exemplos de segmentação do scikit-image · repositório do RSGISLib

Rota 2: você quer classificação supervisionada

Você desenha áreas de treinamento, a ferramenta aprende com elas e todo o raster recebe rótulos. Essa é a metade do eCognition que o software gratuito realmente cobre.

5. Semi-Automatic Classification Plugin

A opção mais procurada por quem migra do eCognition, e com razão.

• Instalação do plugin e, depois, deixe que ele baixe as dependências. Ele usa Remotior Sensus e scikit-learn e PyTorch.
• Execução na sua máquina, CPU é suficiente, sem conta. Uma ferramenta opcional baixa cenas Landsat e Sentinel-2, a única situação em que ele conversa com um servidor.
• Entrada e saída um raster multibanda e áreas de treinamento desenhadas por você. A saída é um raster classificado, um relatório de acurácia e uma layer vetorial, se você pedir. Algoritmos: máxima verossimilhança, distância mínima, mapeamento por ângulo espectral, random forest, support vector machine e um perceptron multicamadas.
• Custo gratuito, GPL v3.
• Falha em objetos. Ele classifica pixels, não segmentos, então um telhado volta com aparência pontilhada e você precisa limpá-lo depois.

Manual · lista do plugin

6. dzetsaka

Menor, mais rápido de aprender e capaz de treinar um modelo em cerca de um minuto.

• Instalação do plugin. Quando você escolhe um algoritmo cuja biblioteca está faltando, ele oferece instalá-la via pip e exibe o progresso no log do QGIS, então raramente é preciso abrir um terminal.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída um raster e um shapefile de regiões de interesse. Um raster classificado e um arquivo de modelo salvo. São onze algoritmos, desde um modelo de mistura gaussiana que não precisa de nada além do QGIS até XGBoost e CatBoost.
• Custo gratuito, GPL v3.
• Falha em rótulos de texto. A coluna ROI precisa conter números de classe, não nomes.

Repositório · lista do plugin

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

Já instalados, e a dupla que melhor funciona em scripts.

• Instalação nada para i.maxlik. r.learn.ml2 é um complemento e precisa do scikit-learn.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída um arquivo de assinaturas gerado por i.gensig para o primeiro, uma pilha de rasters e rótulos para o segundo. Rasters classificados na saída.
• Custo gratuito, GPL.
• Falha em ser fácil de descobrir. Os nomes dos parâmetros pressupõem que você já conheça o modelo de dados do GRASS. Depois que você conhece, eles entram diretamente em um pipeline bash ou Python, o mais próximo que qualquer opção gratuita chega de um processamento em lote do eCognition Server.

i.maxlik · r.learn.ml2

8. Orfeo TrainImagesClassifier

Combine-o com LargeScaleMeanShift e você terá uma cadeia realmente baseada em objetos: segmentar, calcular estatísticas por objeto e classificar.

• Instalação do OTB, como acima.
• Execução na sua máquina, somente em CPU, sem conta.
• Entrada e saída pares de imagem e vetor de treinamento na entrada. Um arquivo de modelo na saída, além de uma matriz de confusão, se você pedir. Ele não grava imagem nem vetor, então ImageClassifier ou VectorClassifier aplica o modelo depois.
• Custo gratuito, Apache 2.0.
• Falha em ser intuitivo no primeiro contato. Ele é baseado em LibSVM, aprendizado de máquina do OpenCV e Shark ML, cada um com seu próprio bloco de parâmetros. Leia a página do CookBook antes de executá-lo, não depois.

TrainImagesClassifier

Rota 3: você quer o objeto pronto, sem escrever um conjunto de regras

Ferramentas baseadas em modelos. Você abre mão do ajuste fino e da trilha de auditoria, e obtém um resultado hoje.

9. Deepness

Executa qualquer modelo ONNX que você fornecer sobre um raster, em tiles.

• Instalação do plugin. Na primeira inicialização, ele instala OpenCV e ONNX Runtime via pip.
• Execução na sua máquina. CPU funciona, e uma GPU exige sua própria configuração de CUDA. Sem conta, nada sai da máquina.
• Entrada e saída qualquer layer raster, incluindo um mapa base XYZ ou WMS, além do seu modelo ONNX. Uma layer vetorial ou raster na saída.
• Custo gratuito, Apache 2.0.
• Falha em imagens fora do intervalo de treinamento do modelo. Um modelo treinado com imagens de 25 cm não lerá um voo de drone de 5 cm, e o plugin não consegue avisar você.

Repositório

10. Geo-SAM

Segment Anything em um painel do QGIS, um prompt por vez.

• Instalação do plugin, no gerenciador de plugins desde a versão 2.0. Ele baixa seus próprios checkpoints de dentro do QGIS.
• Execução na sua máquina, rápida o suficiente em uma CPU de laptop. Sem conta, nada sai da máquina.
• Entrada e saída um arquivo raster ou uma layer XYZ, WMS ou WMTS. Um polígono por clique ou caixa, salvo em um Shapefile.
• Custo gratuito, MIT.
• Falha em trabalhos por área. Ele retorna um objeto por vez. Existem dois modos desde a versão 2.0 e, no modo pré-codificado, você só pode fazer prompts dentro da extensão codificada primeiro.

Repositório · lista do plugin

11. samgeo

Os mesmos modelos em um pacote Python, para cenas inteiras.

• Instalação de um ambiente Python e, depois, do pacote. Reserve uma tarde na primeira vez.
• Execução na sua máquina, com GPU recomendada. Sem conta, mas os pesos exigem um download considerável.
• Entrada e saída um GeoTIFF ou tiles de mapa base que ele busca. Rasters de máscara, além de GeoJSON, Shapefile ou GeoPackage.
• Custo gratuito, MIT.
• Falha em laptops de escritório e em incompatibilidades de CRS, porque ele não reprojeta nada. Esta é uma biblioteca, então você escreve o código, a menos que adicione seu plugin complementar.

samgeo.gishub.org · Repositório

12. GeoAI

Um painel por tarefa, além de um treinador para seus próprios modelos.

• Instalação do plugin e de uma pilha PyTorch. O projeto informa que as dependências de CUDA tornam a instalação difícil, e está certo.
• Execução na sua máquina, na prática com uma placa NVIDIA. Sem conta, nada sai da máquina.
• Entrada e saída uma layer raster. Polígonos e máscaras, um painel por tarefa.
• Custo gratuito, MIT.
• Falha em ser instalado, mais frequentemente do que nas imagens. Quando funciona, é a caixa de ferramentas mais ampla daqui: Segment Anything, copas de árvores, máscaras de água e Mask R-CNN.

Repositório · lista do plugin

13. Mapflow

Desenhe uma área, escolha uma classe e receba vetores dos servidores deles.

• Instalação apenas do plugin.
• Execução nos servidores da Geoalert. Sem GPU, uma conta é necessária e as imagens saem da sua máquina em cada trabalho.
• Entrada e saída uma área desenhada por você. Layers vetoriais por classe.
• Custo créditos a US$ 0,10 cada. Edifícios custam 10 créditos por km², e um mapa base no zoom 18 acrescenta 3, cerca de US$ 1,30 por km². O plano gratuito oferece 250 créditos, limitado a 25 km².
• Falha em áreas urbanas densas. Casas geminadas se fundem em um único polígono, algo visível nas próprias capturas de tela.

mapflow.ai

14. AI Segmentation, nossa opção

Desenhe uma zona, digite o objeto em palavras simples e obtenha todos os correspondentes como polígonos.

• Instalação apenas do plugin. Sem pesos, sem CUDA, sem ambiente Python.
• Execução nos nossos servidores para os dois modos em nuvem e na sua máquina para o pequeno modelo local no modo Semi-Auto. Sem GPU em nenhum dos casos. Uma conta gratuita é necessária.
• Entrada e saída ortofotos e mapas base. Um GeoPackage estilizado na saída, um polígono por objeto, com rótulo, classe, pontuação de confiança e área.
• Custo o plano gratuito cobre 3 km² de detecção Automatic e 50 detecções de objetos Semi-Auto por mês, sem cartão. O Pro custa €39 por mês para 300 km² e 2.000 detecções de objetos. Semi-Auto na sua própria máquina não tem contador.
• Falha em regras que proíbem qualquer upload. Os dois modos em nuvem enviam imagens para um servidor, e apenas o pequeno modelo local permanece na máquina. Nós lemos imagens e nada mais, então uma planta cadastral digitalizada não produz resultado.

Página do produto · entrada no repositório

Experimente AI Segmentation grátis no QGIS, sem cartão

Comparação lado a lado

Como escolher

• Seu entregável é o método, não o mapa. Nada aqui substitui um .dcp. Mantenha uma máquina que abra seus conjuntos de regras e reconstrua o método como um modelo Processing documentado ou um script Python antes que essa máquina pare de funcionar.
• Você segmentou e depois classificou por objeto. Orfeo, nas duas partes: LargeScaleMeanShift para os objetos, TrainImagesClassifier para os rótulos. A única cadeia gratuita que transporta estatísticas de objetos de ponta a ponta.
• Você principalmente desenhou áreas de treinamento e clicou em classificar. SCP para um relatório de acurácia, dzetsaka para um modelo em um minuto.
• Você quer extrair edifícios das imagens esta tarde. Deepness com um modelo pronto, ou Mapflow ou nossa opção se as imagens puderem sair da máquina.
• As imagens talvez nunca possam sair da máquina. Essa resposta elimina Mapflow e nossos dois modos em nuvem, deixando todas as outras opções daqui.

Comece com i.segment em um tile hoje à noite. Ele já está no seu painel Processing, não custa nada, e vinte minutos com o limite mostrarão quanto do seu trabalho no eCognition era a segmentação e quanto era o conjunto de regras.

Os oito plugins de AI comparados aprofunda a metade baseada em modelos. O hub de AI do QGIS lista o restante.