Segment-Geospatial——使用Segment Anything Model分割地理空间数据的 Python 包

介绍¶[1]

Segment-Geospatial包的灵感来自Aliaksandr Hancharenka[2]创作的Segment-anything-eo[3]存储库。为了方便对地理空间数据使用分段任意模型 (SAM)，我开发了segment-anything-py[4] and segment-geospatial[5]Python 包，这些包现在可以在 PyPI 和 conda-forge 上使用。我的主要目标是简化利用 SAM 进行地理空间数据分析的过程，使用户能够以最少的编码工作来实现这一目标。我从segment-anything-eo[6]存储库中改编了segment-geospatial 的源代码，其原始版本归功于Aliaksandr Hancharenka。

• 🆓 免费软件：MIT 许可证
• 📖 文档：https://samgeo.gishub.org[7]https://samgeo.gishub.org/)

特点¶[8]

• 从切片地图服务 (TMS) 服务器下载地图切片并创建 GeoTIFF 文件
• 使用 Segment Anything Model ( SAM[9] ) 和HQ-SAM对 GeoTIFF 文件进行分段[10]
• 使用文本提示分割遥感图像
• 交互式创建前景和背景标记
• 从矢量数据集中加载现有标记
• 将分割结果保存为常见矢量格式（GeoPackage、Shapefile、GeoJSON）
• 将输入提示保存为 GeoJSON 文件
• 在交互式地图上可视化分割结果

演示¶[11]

• 自动掩膜生成器

• 带输入提示的交互式分割

• 从现有文件输入提示

• 带文本提示的交互式分割

更多例子¶[12]

• 分割遥感图像[13]
• 自动生成对象蒙版[14]
• 使用输入提示分割遥感图像[15]
• 使用框提示分割遥感图像[16]
• 使用文本提示分割遥感图像[17]
• 带文字提示的批量分割[18]
• 将 SAM 与 ArcGIS Pro 结合使用[19]
• 使用文本提示分割游泳池[20]
• 对 Maxar 开放数据计划的卫星图像进行分割[21]

将 SAM 与桌面 GIS 结合使用¶[22]

• QGIS：查看QGIS 的几何属性插件[23]。功劳归于比约恩·尼伯格 (Bjorn Nyberg)[24]。
• ArcGIS：查看ArcGIS的分段任意模型 (SAM) 工具箱[25]以及使用 ArcGIS 释放深度学习应用程序功能的资源[26]。感谢Esri[27]。

引文¶[28]

• Wu, Q., & Osco, L. (2023). samgeo: A Python package for segmenting geospatial data with the Segment Anything Model (SAM). Journal of Open Source Software, 8(89), 5663, https://doi.org/10.21105/joss.05663

更多

PyTorch深度学习系列课程介绍

参考资料

[1]

永久链接: https://samgeo.gishub.org/#introduction

[2]

Aliaksandr Hancharenka: https://github.com/aliaksandr960

[3]

Segment-anything-eo: https://github.com/aliaksandr960/segment-anything-eo

[4]

segment-anything-py: https://github.com/opengeos/segment-anything

[5]

segment-geospatial: https://github.com/opengeos/segment-geospatial

[6]

我从segment-anything-eo: https://github.com/aliaksandr960/segment-anything-eo

[7]

https://samgeo.gishub.org: https://samgeo.gishub.org/

[8]

永久链接: https://samgeo.gishub.org/#features

[9]

SAM: https://github.com/facebookresearch/segment-anything

[10]

HQ-SAM对 GeoTIFF 文件进行分段: https://github.com/SysCV/sam-hq

[11]

永久链接: https://samgeo.gishub.org/#demos

[12]

永久链接: https://samgeo.gishub.org/#examples

[13]

分割遥感图像: https://samgeo.gishub.org/examples/satellite

[14]

自动生成对象蒙版: https://samgeo.gishub.org/examples/automatic_mask_generator

[15]

使用输入提示分割遥感图像: https://samgeo.gishub.org/examples/input_prompts

[16]

使用框提示分割遥感图像: https://samgeo.gishub.org/examples/box_prompts

[17]

使用文本提示分割遥感图像: https://samgeo.gishub.org/examples/text_prompts

[18]

带文字提示的批量分割: https://samgeo.gishub.org/examples/text_prompts_batch

[19]

将 SAM 与 ArcGIS Pro 结合使用: https://samgeo.gishub.org/examples/arcgis

[20]

使用文本提示分割游泳池: https://samgeo.gishub.org/examples/swimming_pools

[21]

对 Maxar 开放数据计划的卫星图像进行分割: https://samgeo.gishub.org/examples/max_open_data

[22]

永久链接: https://samgeo.gishub.org/#using-sam-with-desktop-gis

[23]

QGIS 的几何属性插件: https://github.com/BjornNyberg/Geometric-Attributes-Toolbox/wiki/User-Guide#segment-anything-model

[24]

约恩·尼伯格 (Bjorn Nyberg): https://github.com/BjornNyberg

[25]

的分段任意模型 (SAM) 工具箱: https://www.arcgis.com/home/item.html?id=9b67b441f29f4ce6810979f5f0667ebe

[26]

使用 ArcGIS 释放深度学习应用程序功能的资源: https://community.esri.com/t5/education-blog/resources-for-unlocking-the-power-of-deep-learning/ba-p/1293098

[27]

Esri: https://www.esri.com/

[28]

永久链接: https://samgeo.gishub.org/#citations

[29]

我的博客: https://cdn.renhai-lab.tech/

[30]

我的GITHUB: https://github.com/renhai-lab

[31]

我的GITEE: https://gitee.com/renhai-lab

[32]

我的知乎: https://www.zhihu.com/people/Ing_ideas

[33]

01-PyTorch基础知识: https://cdn.renhai-lab.tech/archives/DL-01-pytorch

[34]

02-快速入门：使用PyTorch进行机器学习和深度学习的基本工作流程: https://cdn.renhai-lab.tech/archives/DL-02-pytorch-workflow

[35]

03-使用PyTorch处理最简单的神经网络分类任务: https://cdn.renhai-lab.tech/archives/DL-03-pytorch_classification

[36]

04-一文看懂什么是卷积神经网络？: https://cdn.renhai-lab.tech/archives/DL-04-pytorch_computer_vision

[37]

05-PyTorch自定义数据集Datasets、Loader和tranform: https://cdn.renhai-lab.tech/archives/DL-05-pytorch-custom_datasets

[38]

06-PyTorch迁移学习：在预训练模型上进行训练: https://cdn.renhai-lab.tech/archives/DL-06-pytorch-transfer_learning

[39]

07-从头开始创建一个 Vision Transformer (ViT): https://cdn.renhai-lab.tech/DL-07-pytorch_Vit/