Deepness 替代方案：在 QGIS 中运行影像深度学习的 5 种方法

Deepness 会在你自己的机器上，在 中逐瓦片地对 raster 运行深度学习模型。它免费，采用 Apache 2.0 许可，你加载的任何内容都不会离开电脑。它也没有模型选择器。你必须自己提供 ONNX 文件。你需要打开文档页面，点击链接，手动从大学的 Nextcloud 文件夹下载文件，然后在 plugin 中找到它。没有这样的文件，或者依赖安装在笔记本电脑上失败时，人们就会开始寻找其他工具。

下面的五个工具从不同角度覆盖相同的使用场景。每个工具都有链接，也都会回答相同的问题：安装什么，需要什么硬件，影像是否会离开你的机器，需要输入什么，会输出什么，以及它会在哪里失败。

这里的六个 plugin 中，有一个是我们开发的 AI Segmentation。它和其他工具一样回答这些问题，包括它会在哪里失败。

Deepness 到底是什么

Deepness 会加载一个 ONNX 神经网络，以重叠瓦片的方式在 raster 上滑动运行，然后将结果作为 layer 写回你的项目。它支持 segmentation、object detection、regression 和 super-resolution，并允许你自行设置瓦片大小、重叠范围和后处理方式。

模型面板是一个文本框和一个 Browse 按钮。没有列表，没有下载按钮，QGIS 内也没有 gallery。你需要自己输入空间分辨率，单位是每像素厘米。输出结果是 memory layer，所以满意后还要自己将它保存到磁盘。

你可以将它指向任何 QGIS 能够绘制的内容：磁盘上的正射影像，或来自 Google Satellite 等在线 provider 的 layer。它还提供训练数据 export tool，可以将 raster 和 mask 切成小瓦片，这一点很多人会忽略。

任何内容都不会离开你的机器。 不需要账户，不需要 API key，模型运行时也不会发起网络请求。有人在 2026 年 8 月 23 日阅读了 plugin 源码，发现代码中的每个 URL 都位于注释内。Deepness 发出的唯一 outbound request，是首次启动时执行的 pip install。如果你处理的是客户影像、国防影像，或任何需要采购负责人签字批准的内容，这一点就足以做出决定。这也是 Deepness 胜过下面所有 hosted tool 的地方，包括我们的工具。

Deepness 自身不提供任何 detection 能力。它只是一个 runner，模型需要你自己带来。它采用 Apache 2.0 许可，其团队已在 SoftwareX 发表了这款 plugin，DOI 为 10.1016/j.softx.2023.101495。

人们会卡在哪里

model zoo 是一个链接页面。 截至 2026 年 8 月 23 日，它列出了 24 个模型：9 个用于 segmentation，6 个用于 object detection，8 个用于 super-resolution，1 个用于 recognition，没有用于 regression 的模型。其中 15 个位于 Poznan University 的 Nextcloud 文件夹中，1 个位于 Fraunhofer，8 个位于 GitHub releases 中，而且全部都需要手动下载。它们的训练分辨率从每像素 0.5 厘米到 1000 厘米不等。如果你的影像是 20 厘米，大约只有 16 个 task model 中的 2 个适合你。没有全球通用的建筑物模型，也没有全球通用的植被模型。两个建筑物选项分别是一个在每像素 40 厘米下训练的 RampDataset 模型，以及一个 land cover 模型。后者页面明确写着："the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world"。

你输入了分辨率，但没有任何检查。 输入框接受每像素厘米数，plugin 会相信你输入的数字，也不会将它与 layer 进行比较。错误的数值会导致 Exception: Unsupported layer units 或 ValueError: cannot convert float NaN to integer，traceback 则会出现在大多数 QGIS 用户从未打开过的 Python console 中。在 issue #183 中，一位 maintainer 写道："it is worth adding a sanity check to the code to create a meaningful error message"。截至 2026 年 8 月 23 日，这项检查仍未进入代码。无声失败造成的损失比崩溃更大。在 discussion #176 中，一位用户直到用他自己的话说，"i lied to the plugin and said that the pixels are 10cm"，才发现之前什么也没有得到。

一位用户测量了速度。 在 issue #192 中，一位用户使用 Ryzen 7 5800X 和 GTX 1660 Ti，在每像素 20 厘米的条件下，对一张 5000 x 5000 pixel 的正射影像瓦片运行 zoo model。CPU 用时 80 分钟。同一瓦片在 graphics card 上用时 61 秒。这是一台机器、一个模型和一张瓦片，因此应将其视为他的测量结果，而不是 benchmark。但这仍然是目前公开发布的、最接近回答“我能在办公室笔记本上做这件事吗”的数据。

CPU 可以运行，而 CUDA 是 Linux 的故事。 没有 graphics card 的机器也能运行 Deepness，因为 ONNX Runtime 会自行回退到 CPU。installer 只会在 Linux 上获取 GPU build。在 Windows 和 macOS 上，它安装的是普通的 onnxruntime。maintainer 在同一个 issue #192 中写道："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."

依赖安装是最常见的障碍。 Deepness 会在你第一次打开它时 pip-install OpenCV 和 ONNX Runtime。自 #54 于 2022 年 10 月 20 日报告以来，macOS 一直存在失败问题，而 #209 在 Sequoia 上仍处于 open 状态，maintainer 的回答是："Unfortunately, we do not have macos to test on." 在 QGIS 3.44 上，#235 报告了 A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3，因为 plugin 仍然 pin 着 numpy<2.0.0，而该版本的 QGIS 搭载 NumPy 2.4.3。在 corporate proxy 后面，#197 会停在 certificate verify failed: self-signed certificate in certificate chain，随后出现 ERROR: No matching distribution found for opencv-python。我成功运行时花了大约 20 分钟。在 Mac 和 Windows 机器上，我第一次尝试都失败了。

没有 cancel 按钮。 Issue #230 于 2026 年 1 月 14 日开启，目前仍处于 open 状态。运行一旦开始，你只能等待。

文档和 plugin 是两回事。 文档网站从一个从未发布过的 branch 构建。你从 QGIS marketplace 安装的 plugin 是 0.6.5，于 2024 年 12 月 10 日上传。

这些都不意味着 Deepness 是一个糟糕的工具。它只是更适合已经拥有 trained model，并且 Python environment 运行正常的人。

替代方案

1. Deepness，基准方案

• 安装。 Plugin manager，然后在首次启动时安装 OpenCV 和 ONNX Runtime。运行正常时大约需要 20 分钟，而 macOS 自 2022 年 10 月以来一直存在失败问题。
• 运行环境。 你的机器，使用 CPU 或 CUDA。GPU build 实际上只会在 Linux 上安装。不需要账户，不需要 API key，运行后也不需要网络调用。
• 输入和输出。 任意 raster layer，包括 XYZ 或 WMS basemap，以及你手动下载的 ONNX 文件。输出是由你自己保存的 memory layer。
• 成本。 免费，Apache 2.0，已在 SoftwareX 发表，DOI 为 10.1016/j.softx.2023.101495。
• 失败位置。 取决于你加载的 model 的 training data 范围。一个在每像素 40 厘米下训练的建筑物 model，不会识别每像素 5 厘米的无人机航拍，而 plugin 也无法提醒你。输入错误的分辨率后，它要么崩溃，要么什么也找不到。

Repository 和 documentation。

2. Geo SAM

• 安装。 Plugin manager。它会管理自己的依赖，并从 QGIS 内部下载 model checkpoints，因此不需要输入任何 pip 命令。
• 运行环境。 你的机器，默认开启 GPU 加速，同时提供可用的 CPU 路径。不需要账户。
• 输入和输出。 一个 raster 文件，或 XYZ、WMS、WMTS layer。输出是根据 prompt 生成的一个 polygon，可以来自点击或框选。
• 成本。 免费，MIT。
• 失败位置。 新影像上的第一个 prompt 会比较慢，因为影像必须先编码，之后点击才会变快。它的 FAQ 说明，根据影像大小、model 和硬件不同，可能需要“几秒到几分钟”，而 encoding 页面提供了 Low Memory strategy，以应对 out-of-memory errors。它还会一次返回一个 object，因此不适合处理整个街区。

Repository、documentation、plugin listing。

3. GeoAI

• 安装。 Plugin manager，另外还需要底层的 PyTorch environment。项目自己的页面称，由于复杂的 pytorch/cuda dependencies，安装“可能很有挑战”。我在 Mac 和 Windows 机器上第一次尝试都失败了，所以请预留一个晚上。
• 运行环境。 你的机器。CUDA 用于加速，Apple Silicon 使用 Apple MPS，CPU 作为 fallback。不需要账户，但 SAM 3 weights 需要先申请 Hugging Face access。
• 输入和输出。 一个 raster layer。输出是 polygons 和 masks，每个 task 都有一个可停靠 panel：tree segmentation、water segmentation、Segment Anything、semantic segmentation 和 instance segmentation。
• 成本。 免费，MIT。
• 失败位置。 SAM 3 需要 NVIDIA GPU。在只有 CPU 的机器上，plugin 会返回 Failed to load model: Torch not compiled with CUDA enabled，而且它自己的页面在你尝试前就已经说明了这一点。其他 model 仍然可以运行。

Plugin documentation 和 repository。

4. Mapflow，Geoalert 开发

• 安装。 Plugin manager，然后登录。不需要其他操作，也不需要 graphics card。
• 运行环境。 Geoalert 的 servers。你需要一个账户，而且每次运行时影像都会离开你的机器，因为 plugin 没有附带 inference library。
• 输入和输出。 你绘制的一个区域，使用它们提供的某个 imagery source。输出是 vector layers：建筑物，可选高度，道路，农业用地，森林和施工区域。
• 成本。 建筑物检测每平方公里 10 credits，每 credit $0.10，按整平方公里向上取整，因此一个 10 km² 的城镇大约需要 $10。免费计划提供 250 credits，最多覆盖 25 km²，但 export 被阻止，所以你只能查看，不能把 layer 带回本地。
• 失败位置。 联排住宅。同一排相邻房屋会合并成一个 polygon，这一点在它们自己的 screenshots 中清晰可见，而之后再拆分它们的成本高于这次运行节省的成本。

Plugin documentation 和 repository。

5. Bunting Labs AI Vectorizer

• 安装。 Plugin manager，然后创建账户。不需要 graphics card。
• 运行环境。 Bunting Labs 的 servers。你绘制时，光标周围的影像会被发送出去。
• 输入和输出。 你正在追踪的 raster。输出是几何图形，逐个 vertex 地写入你已经在 edit mode 中打开的 layer，并显示在光标前方。
• 成本。 每个 seat 每月 $29，每天最多 120 次 completions。超过后，每个 seat $99，没有上限，也不保留数据。没有免费 tier。
• 失败位置。 它不会返回一个区域内的所有匹配结果，因为它只能看到光标周围的影像。要处理 50 栋建筑，你仍然需要点击 50 次，只是每次会更快。

Documentation。

6. AI Segmentation，我们的工具

• 安装。 Plugin manager，然后创建账户。不需要下载 weights，不需要 Python environment，也不需要 graphics card。支持 QGIS 3.22 及以上版本。
• 运行环境。 两种 cloud mode 使用我们位于欧洲的 servers，因此影像会在那里离开你的机器。Semi-Auto 会在本地运行一个小型 model，影像留在你的机器上。
• 输入和输出。 你在任意 raster 或 basemap 上绘制的一个 zone，外加一个词，例如 building 或 solar panel。输出是一个经过样式处理的 GeoPackage，每个 object 对应一个 polygon，并带有 label、class、confidence score 和 area。
• 成本。 每月免费进行 3 km² 的 automatic detection，不需要 card。10 km² 的城镇需要 Pro，每月 €39，可覆盖 300 km²。在你自己的机器上运行 Semi-Auto 没有 counter。
• 失败位置。 它返回的结果会比你要求的更多。通风口、天窗、庭院棚屋和阴影都会作为真实且轮廓正确的 polygon 返回，但它们并不是建筑物。你需要拖动 confidence 和 area sliders，直到结果合适。在一次 Paris 运行中，结果从 635 个 polygon 减少到 82 个，而这 82 个仍覆盖了 84% 的建筑区域。田地边缘逐渐融入灌木丛的地方，就是它会犹豫的位置，也正是你会犹豫的地方。

Product page。

在 QGIS 中免费试用，无需 card

横向对比

如何选择

• 你有一个 ONNX 文件，或者 24 个 zoo model 中有一个与你的 sensor 和分辨率匹配。继续使用 Deepness，并在提交 bug 前检查 NumPy version。
• 你想在本地运行 SAM，并且从未训练过任何东西。一次处理一个 object、无需配置时选择 Geo SAM；如果你有 NVIDIA card 并且有一个晚上可用，想覆盖最广泛的 task 时选择 GeoAI。
• 你只有一台 office laptop，没有安装时间。选择 Mapflow 或我们的 AI Segmentation，它们都会在 server 上运行 model，只需要安装 plugin。
• 你是在手动追踪 linework，而不是在一个区域内检测 object。选择 Bunting Labs。

在回答其他问题前，先回答一个问题。影像可以离开你的机器吗？如果不可以，Mapflow、Bunting Labs 和我们的两种 cloud mode 都会被排除，只剩下 Deepness、Geo SAM 或 GeoAI。

八个 AI plugin 的对比介绍了更广泛的领域，而 SAM guide则进一步说明了哪个 plugin 运行哪个版本的 Segment Anything。