QGIS 影像深度學習的 5 種 Deepness 替代方案
Deepness 會在你自己的電腦上，於 
內逐一處理 raster 的圖塊，使用深度學習模型進行分析。它免費、採用 Apache 2.0 授權，而且你載入的任何內容都不會離開電腦。它也沒有模型選擇器。你必須自行提供 ONNX 檔案。你先開啟文件頁面，點選連結，手動從大學的 Nextcloud 資料夾下載檔案，然後在 plugin 中瀏覽並選取它。當使用者沒有這類檔案，或相依套件在筆電上安裝失敗時，就會開始尋找其他工具。
下面五個工具從不同角度涵蓋相同的需求。每個工具都有連結，也都會回答相同的問題：會安裝什麼、需要什麼硬體、影像是否會離開你的電腦、輸入與輸出是什麼，以及它會在哪裡失效。
這六個 plugin 中有一個是我們打造的 AI Segmentation。我們會和其他工具一樣回答這些問題，也包括它在哪裡失效。
Deepness 實際上是什麼
Deepness 會載入 ONNX 神經網路，讓它以重疊圖塊滑過 raster，然後將結果寫回你的專案，成為一個 layer。它支援 segmentation、物件偵測、回歸和超解析度，也讓你自行設定圖塊大小、重疊範圍和後處理方式。
模型面板是一個文字框和一個 Browse 按鈕。沒有清單、沒有下載按鈕，QGIS 內也沒有圖庫。你必須自行輸入空間解析度，單位是每像素公分。輸出結果會是記憶體 layer，所以等你滿意後，必須自行將它儲存到磁碟。
你可以將它指向任何 QGIS 能繪製的內容：磁碟上的正射影像，或是 Google Satellite 等線上提供者的 layer。它還有一個訓練資料匯出工具，可以將 raster 和遮罩切成小圖塊，這是人們常忘記它具備的功能。
任何內容都不會離開你的電腦。 不需要帳戶、不需要 API key，模型執行時也不會發出網路請求。有人在 2026 年 8 月 23 日閱讀 plugin 原始碼，發現程式中的每個 URL 都放在註解裡。Deepness 唯一會發出的對外請求，是首次啟動時執行的 pip install。如果你處理的是客戶影像、國防影像，或任何需要採購人員核准的內容，這一點就足以做出決定。這也是 Deepness 勝過下面所有託管工具的地方，包括我們的工具。
Deepness 本身不提供任何偵測能力。它是一個執行器，模型必須由你自行帶入。授權條款是 Apache 2.0，而背後團隊已在 SoftwareX 發表這個 plugin，DOI 為 10.1016/j.softx.2023.101495。
使用者會卡在哪裡
模型庫其實是一頁連結。 2026 年 8 月 23 日，模型庫列出 24 個模型：9 個用於 segmentation、6 個用於物件偵測、8 個用於超解析度、1 個用於辨識，沒有任何模型用於回歸。其中 15 個位於 Poznan University 的 Nextcloud 資料夾，1 個位於 Fraunhofer，8 個位於 GitHub releases，而且每個都必須手動下載。它們的訓練解析度從每像素 0.5 公分到 1000 公分不等。如果你以 20 公分飛行，大約只有 16 個任務模型中的 2 個符合需求。沒有全球通用的建築模型，也沒有全球通用的植被模型。兩個建築選項分別是每像素 40 公分的 RampDataset 模型，以及一個土地覆蓋模型。該模型自己的頁面寫著：「資料集只涵蓋波蘭地區，因此在世界其他地方的效能可能較差」。
你輸入解析度，但沒有任何檢查。 文字框接受每像素公分數，plugin 會相信你輸入的數字，也不會將這個數字與 layer 比較。錯誤的數值會產生 Exception: Unsupported layer units 或 ValueError: cannot convert float NaN to integer，而 traceback 會出現在大多數 QGIS 使用者從未開啟的 Python 主控台中。在 issue #183 中，一名維護者寫道：「值得在程式碼中加入合理性檢查，以建立有意義的錯誤訊息。」截至 2026 年 8 月 23 日閱讀時，程式碼中仍沒有這項檢查。無聲失敗造成的代價比崩潰更高。在 discussion #176 中，一名使用者直到他自己的說法「我欺騙了 plugin，告訴它像素是 10 公分」後，才找到任何結果。
有一名使用者測量了速度。 在自 2024 年 11 月 15 日開放的 issue #192 中，一名使用者以 20 公分解析度，在 Ryzen 7 5800X 搭配 GTX 1660 Ti 的電腦上，使用模型庫中的模型處理一張 5000 x 5000 像素的正射影像圖塊。CPU 花了 80 分鐘。同一個圖塊使用顯示卡只花了 61 秒。這是一台電腦、一個模型和一個圖塊，所以應將它視為他的測量結果，而不是基準測試。不過，它仍是目前最接近「我可以在辦公室筆電上做這件事嗎」這個問題的已發表答案。
CPU 可以運作，而 CUDA 是 Linux 的故事。 沒有顯示卡的電腦也能執行 Deepness，因為 ONNX Runtime 會自行退回使用 CPU。安裝程式只會在 Linux 上取得 GPU 版本。在 Windows 和 macOS 上，它會安裝一般的 onnxruntime。維護者在同一個 issue #192 中也寫了同樣的事情：「在 Windows 上，我們無法讓它使用 GPU，而且這更複雜，所以 Deepness 只安裝 onnxruntime，而不是 onnxruntime-gpu。」
相依套件安裝是最常見的障礙。 Deepness 在你第一次開啟時會以 pip 安裝 OpenCV 和 ONNX Runtime。自 #54 起，macOS 從 2022 年 10 月 20 日開始就一直失敗，而 #209 在 Sequoia 上仍然開放，維護者回答：「很遺憾，我們沒有 macOS 可以測試。」在 QGIS 3.44 上，#235 回報 A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3，因為 plugin 仍固定使用 numpy<2.0.0，而 QGIS 提供的是 NumPy 2.4.3。在企業 proxy 後方，#197 會停在 certificate verify failed: self-signed certificate in certificate chain，接著出現 ERROR: No matching distribution found for opencv-python。我成功執行時大約花了 20 分鐘。我第一次在 Mac 和 Windows 電腦上嘗試時都失敗了。
沒有取消按鈕。 issue #230 於 2026 年 1 月 14 日開啟，目前仍然開放。執行開始後，你只能等待。
文件和 plugin 是兩回事。 文件網站是從一個從未發布過的分支建立。你從 QGIS marketplace 安裝的 plugin 是 0.6.5，於 2024 年 12 月 10 日上傳。
這些都不代表 Deepness 是一個糟糕的工具。它只適合已經有訓練好模型，而且 Python 環境運作正常的人。
替代方案
1. Deepness，基準方案
- 安裝。 先從 plugin manager 安裝，首次啟動時再安裝 OpenCV 和 ONNX Runtime。順利時大約需要 20 分鐘，而自 2022 年 10 月起在 macOS 上就一直失敗。
- 執行環境。 你的電腦，使用 CPU 或 CUDA。GPU 版本實際上只會在 Linux 上安裝。不需要帳戶、不需要 API key，執行後也不會發出網路請求。
- 輸入與輸出。 任何 raster layer，包括 XYZ 或 WMS 底圖，再加上你手動下載的 ONNX 檔案。輸出是由你自行儲存的記憶體 layer。
- 成本。 免費，採用 Apache 2.0 授權，並以 DOI 10.1016/j.softx.2023.101495 發表於 SoftwareX。
- 失效位置。 取決於你載入的模型訓練資料範圍。以每像素 40 公分訓練的建築模型，不會理解 5 公分的無人機航拍影像，而 plugin 也無法警告你。輸入錯誤的解析度後，它可能崩潰，也可能什麼都找不到。
2. Geo SAM
- 安裝。 plugin manager。它會自行管理相依套件，並在 QGIS 內下載模型 checkpoint，因此不需要輸入任何 pip 指令。
- 執行環境。 你的電腦，預設啟用 GPU 加速，也提供可運作的 CPU 路徑。不需要帳戶。
- 輸入與輸出。 raster 檔案，或 XYZ、WMS、WMTS layer。輸出是每個 prompt 一個多邊形，可以透過點選或框選產生。
- 成本。 免費，採用 MIT 授權。
- 失效位置。 新影像上的第一個 prompt 會很慢，因為影像必須先編碼，之後點選才會變快。它的 FAQ 表示，這可能需要「從幾秒到幾分鐘，取決於影像大小、模型和硬體」，而編碼頁面提供 Low Memory 策略，供你遇到記憶體不足錯誤時使用。它一次也只會回傳一個物件，所以不適合處理整個街區。
Repository、documentation、plugin listing。
3. GeoAI
- 安裝。 plugin manager，另外還需要底層的 PyTorch 環境。專案自己的頁面表示，由於 pytorch/cuda 相依套件複雜，安裝「可能很有挑戰」。我第一次在 Mac 和 Windows 電腦上嘗試時都失敗了，所以請預留一個晚上。
- 執行環境。 你的電腦。使用 CUDA 可提升速度，Apple Silicon 使用 Apple MPS，CPU 則作為備援。不需要帳戶，但 SAM 3 權重需要先提出 Hugging Face 存取申請。
- 輸入與輸出。 raster layer。輸出是多邊形和遮罩，每個任務各有一個可停駐面板：樹木 segmentation、水體 segmentation、Segment Anything、語意 segmentation 和實例 segmentation。
- 成本。 免費，採用 MIT 授權。
- 失效位置。 SAM 3 需要 NVIDIA GPU。在只有 CPU 的電腦上，plugin 會回傳
Failed to load model: Torch not compiled with CUDA enabled，而它自己的頁面也會在你嘗試前先說明這點。其他模型仍然可以執行。
Plugin documentation 和 repository。
4. Mapflow，由 Geoalert 提供
- 安裝。 plugin manager，接著登入。不需要其他步驟，也不需要顯示卡。
- 執行環境。 Geoalert 的伺服器。你需要帳戶，而且每次執行時影像都會離開你的電腦，因為 plugin 沒有附帶推論函式庫。
- 輸入與輸出。 你繪製的區域，使用 Geoalert 的其中一個影像來源。輸出是向量 layer：建築物，可選擇高度、道路、農田、森林和施工現場。
- 成本。 建築物每平方公里 10 credits，每 credit $0.10，並以整平方公里進位，因此 10 km² 的城鎮大約需要 $10。免費方案提供 250 credits，最多涵蓋 25 km²，但禁止匯出，所以你可以查看，卻不能把 layer 帶回家。
- 失效位置。 連棟住宅。同一排相鄰房屋會合併成一個多邊形，這在它自己的截圖中就看得見，而之後拆分它們所花的成本，可能比這次執行省下的時間還高。
Plugin documentation 和 repository。
5. Bunting Labs AI Vectorizer
- 安裝。 plugin manager，接著建立帳戶。不需要顯示卡。
- 執行環境。 Bunting Labs 的伺服器。你繪製時，游標周圍的影像會被傳送出去。
- 輸入與輸出。 你正在描繪的 raster。輸出是逐一產生的幾何圖形，直接寫入你已在編輯模式中開啟的 layer，並出現在游標前方。
- 成本。 每個 seat 每月 $29，每天最多 120 次完成。超過後為每個 seat $99，沒有上限，也不保留資料。沒有免費方案。
- 失效位置。 它不會回傳一個區域內的所有匹配結果，因為它只能看到游標周圍的影像。即使是 50 棟建築物，你仍然要點選 50 次，只是每次會更快。
6. AI Segmentation，我們的工具
- 安裝。 plugin manager，接著建立帳戶。不需要下載權重、不需要 Python 環境，也不需要顯示卡。支援 QGIS 3.22 及以上版本。
- 執行環境。 兩種 cloud 模式會在我們位於歐洲的伺服器上執行，因此影像會在那裡離開你的電腦。Semi-Auto 會在本機執行小型模型，並讓影像留在你的電腦上。
- 輸入與輸出。 你在任何 raster 或底圖上繪製的區域，再加上一個詞，例如
building或solar panel。輸出是經過樣式設定的 GeoPackage，每個物件一個多邊形，並附有 label、類別、信心分數和面積。 - 成本。 每月免費提供 3 km² 的 Automatic detection，不需要信用卡。10 km² 的城鎮需要 Pro，每月 €39，可處理 300 km²。在你自己的電腦上執行 Semi-Auto 沒有計數器。
- 失效位置。 它回傳的結果會比你要求的更多。通風口、天窗、庭院棚屋和陰影都會以真實且正確勾勒的多邊形回傳，但它們不是建築物。你可以拖曳信心和面積滑桿，直到結果合適為止。在一次巴黎的執行中，結果從 635 個多邊形縮減到 82 個，而這 82 個仍涵蓋 84% 的建成區面積。田地邊緣逐漸融入灌木叢的地方，就是它會猶豫的地方，也正是你會猶豫的地方。
並列比較
| 工具 | 安裝內容 | GPU | 帳戶 | 影像留在本機 | 提供給它的輸入 | 輸出結果 | 你的工作成本 | 授權條款 |
|---|---|---|---|---|---|---|---|---|
| Deepness | plugin，接著安裝 OpenCV 和 ONNX Runtime | 實務上可選，但僅限 Linux | 不需要 | 是 | 任何 raster layer，加上你手動下載的 ONNX 檔案 | 由你自行儲存的記憶體 layer | 免費 | Apache 2.0 |
| Geo SAM | plugin，相依套件由它代為處理 | 可選 | 不需要 | 是 | raster 檔案，或 XYZ、WMS、WMTS layer | 每次點選或框選一個多邊形 | 免費 | MIT |
| GeoAI | plugin，加上 PyTorch 環境 | 建議使用，SAM 3 需要 NVIDIA | 不需要 | 是 | raster layer | 每個任務面板輸出多邊形和遮罩 | 免費 | MIT |
| Mapflow | 僅 plugin | 不需要 | 需要 | 否 | 在 Geoalert 影像上繪製的區域 | 按類別輸出的向量 layer | 10 km² 建築物約 $10 | GPL v3 |
| Bunting Labs | 僅 plugin | 不需要 | 需要 | 否 | 游標周圍的影像 | 寫入你正在編輯的 layer 的幾何圖形 | 每個 seat 每月 $29，每天超過 120 次完成後為 $99 | GPL 2.0 |
| AI Segmentation（我們的工具） | 僅 plugin | 不需要 | 需要 | 僅限 Semi-Auto | 你繪製的區域，加上一個詞 | 經過樣式設定的 GeoPackage，每個物件一個多邊形 | 每月免費 3 km²，300 km² 為 €39 | GPL v2 |
如何選擇
- 你有 ONNX 檔案，或模型庫中的 24 個模型中有一個符合你的感測器和解析度。繼續使用 Deepness，並在回報 bug 前先檢查 NumPy 版本。
- 你想在本機使用 SAM，而且從未訓練過任何模型。如果你要一次處理一個物件，且不想進行設定，選 Geo SAM。如果你有 NVIDIA 顯示卡和一個晚上，想使用最廣泛的任務，選 GeoAI。
- 你使用辦公室筆電，而且沒有安裝時間。選 Mapflow 或我們的 AI Segmentation，兩者都在伺服器上執行模型，只需要安裝 plugin。
- 你要的是手動描繪線稿，而不是在一個區域內偵測物件。選 Bunting Labs。
在其他問題之前，先回答一個問題。影像可以離開你的電腦嗎？如果不可以，就排除 Mapflow、Bunting Labs 和我們的兩種 cloud 模式，只剩下 Deepness、Geo SAM 或 GeoAI。
比較八個 AI plugin 涵蓋更廣泛的選擇，而 SAM 指南 則深入說明每個 plugin 執行哪個版本的 Segment Anything。
