GeoDeep: AI-анализ спутниковых снимков без лишних сложностей

Представьте: вам нужно быстро найти все автомобили на аэрофотоснимке города или выделить контуры зданий для градостроительного анализа. Раньше это требовало либо ручной работы, либо сложных GIS-решений. Теперь с этим справится одна команда в терминале благодаря GeoDeep.

Что за зверь такой — GeoDeep?

GeoDeep — это минималистичная Python-библиотека для анализа геопространственных данных (в основном GeoTIFF) с помощью нейросетей. Главные козыри:

• Готовые модели для типовых задач: поиск машин, зданий, деревьев и даже птиц
• Работает на CPU без требований к видеокарте
• Всего две зависимости (rasterio и onnxruntime)
• Простой API как для CLI, так и для Python-скриптов

Кстати, если вы работали с YOLO или RetinaNet, многие концепции будут знакомы — проект использует эти архитектуры «под капотом».

Что умеет прямо сейчас?

1. Детекция объектов

Находит и классифицирует объекты на снимках. Встроенные модели:

• Автомобили (YOLOv7, 10 см/пиксель)
• Деревья (YOLOv9 и RetinaNet)
• Самолёты (YOLOv7 tiny)
• Птицы (RetinaNet, 2 см/пиксель!)

Пример через командную строку:

goodeep orthophoto.tif cars
# → Создаёт GeoJSON с координатами всех найденных машин

2. Семантическая сегментация

Выделяет области по типам:

• Здания (модель обучена на RampDataset)
• Дороги (различает дорожное полотно и остальное)

Работает как с векторными данными (полигоны в GeoJSON), так и с растровыми масками:

goodeep orthophoto.tif buildings -t mask

3. Поддержка кастомных моделей

Можно использовать свои ONNX-модели или конвертировать существующие (поддерживаются YOLO v5-9 и RetinaNet). Процесс обучения стандартный:

1. Собираете датасет (минимум 1000 изображений)
2. Тренируете модель через ultralytics/yolo
3. Конвертируете в ONNX через встроенный yolo2geodeep

Как это работает технически?

Под капотом довольно изящная архитектура:

1. Разбиение на тайлы — большие изображения делятся на фрагменты, которые модель может обработать
2. Предсказание — ONNX Runtime выполняет инференс на CPU
3. Сборка результатов — выходы модели агрегируются в единую геопространственную разметку
4. Экспорт — данные сохраняются в GeoJSON или GeoTIFF с сохранением координат

Интересно, что разрешение (см/пиксель) — ключевой параметр для точности. Разные модели настроены на разный масштаб, что видно из таблицы в документации.

Кому это пригодится?

1. ГИС-специалистам — автоматизация рутинного анализа снимков
2. Экологам — мониторинг зелёных насаждений (модель trees)
3. Урбанистам — инвентаризация застройки
4. Логистическим компаниям — анализ транспортной инфраструктуры
5. Разработчикам кастомных решений — благодаря простому API для интеграции

Личный опыт

Попробовал на тестовом снимке района Москвы (разрешение ~15 см/пиксель):

• Модель cars нашла ~85% автомобилей (пропустила тесные парковки)
• Buildings неплохо справляется с многоэтажками, но путает большие навесы с домами
• На CPU Core i7 обработка 1 км² занимает ~3 минуты

Альтернативы

• DeepForest — хорош для экологических задач, но узкоспециализирован
• Deepness (QGIS plugin) — мощнее, но требует GPU и сложнее в настройке

GeoDeep — отличный вариант, когда нужно:

✅ Быстро прототипировать анализ геоданных ✅ Работать в условиях без GPU ✅ Интегрировать AI в существующие GIS-процессы

Проект активно развивается — уже сейчас в экспериментальном режиме доступны модели для 16 классов объектов (от вертолётов до баскетбольных площадок).

Советую попробовать, если работаете со спутниковыми или аэрофотоснимками. Установка — одна команда:

pip install -U geodeep

P.S. Авторы ждут контрибьюторов — хороший шанс попасть в open-source проект на ранней стадии!