Par NV5 Geospatial

L’Intelligence Artificielle (IA), et plus particulièrement les techniques d’apprentissage automatique et profond, a profondément transformé le domaine du traitement d’images de télédétection.  

Le format ONNX (Open Neural Network Exchange) joue un roue clé dans ce contexte pour faciliter le déploiement et l’interopérabilité des modèles IA.

Le support de ce format dans la nouvelle version ENVI® Deep Learning 4.0, module d’IA du logiciel de traitement d’images de NV5 Geospatial, ENVI, simplifie ainsi l’import, le déploiement et le partage de modèles IA grâce à son référentiel analytique intégré. Que vos modèles soient créés avec PyTorch, TensorFlow ou les outils natifs d’ENVI, passez facilement de l’entraînement au déploiement opérationnel.

ONNX rencontre ENVI

L’intégration des modèles ONNX dans ENVI est simple grâce à son interface et ses outils de configuration.

La puissance d’ONNX réside dans sa flexibilité : entraînez votre modèle dans n’importe quel framework (comme PyTorch ou TensorFlow) et intégrez-le dans ENVI.

Mais cette flexibilité entraîne des variations. Par exemple, votre modèle peut :

• Accepter des entrées au format « channels-first » au lieu de « channels-last »
• Utiliser une normalisation par z-score au lieu de diviser les valeurs par 255 et de normaliser de 0 à 1

Pour garantir que votre modèle se comporte comme prévu, ENVI permet de personnaliser la gestion des entrées et des sorties. Seul deux scripts Python légers sont nécessaires : l’un pour préparer les données d’entrée et l’autre pour mapper les sorties du modèle aux attentes d’ENVI.  D’autres détails comme la taille des entrées, le nombre de bandes, les classes et les noms/couleurs des classes sont simples à inclure dans la configuration.

Ne laissez pas de mauvaises données ruiner un bon modèle

Importer un modèle ONNX dans ENVI est une étape importante vers l’IA opérationnelle, mais vos résultats ne seront aussi bons que les données que vous fournissez.

De nombreux modèles d’apprentissage profond sont entraînés sur des formats de données très spécifiques. Cela peut signifier des images codées en octets (valeurs de 0 à 255) ou des données de réflectance de surface (valeurs de 0 à 10 000 ou de 0,0 à 1,0). Certains modèles attendent une normalisation par z-score ; d’autres supposent certaines bandes ou un ordre particulier des bandes. Les choses se compliquent lorsque nous associons cela à des images satellites réelles, qui peuvent beaucoup varier.

C’est pourquoi il est essentiel d’aligner les données d’entrée avec les données d’entraînement. ENVI vous fournit les outils pour simplifier cette tâche. Avec ENVI Modeler, vous pouvez :

• Normaliser ou mettre à l’échelle les données pour correspondre aux entrées d’entraînement
  • Exemple : appliquer un stretch, effectuer une correction atmosphérique
• Sélectionner et réorganiser les bandes selon les besoins
• Redimensionner ou rééchantillonner les images pour obtenir les dimensions attendues
  • Exemple : adapter la résolution aux données d’entraînement
• Gérer les valeurs « no data » ou appliquer des seuils

Par exemple, voici comment préparer une image SkySat en réflectance de surface avec 4 bandes pour un modèle ONNX de détection d’avions :

1. Extraire les bandes RVB de l’image d’entrée à 4 bandes
2. Passer en valeurs codées sur un octet
3. Exécuter l’image prétraitée dans le modèle IA et récupérer les résultats.

Ces étapes de prétraitement comblent le fossé entre les images brutes et les données prêtes pour l’IA, préparant votre modèle ONNX au succès. Associez-les à des guides simples, à la documentation ou à d’autres informations sur les types de données pris en charge, et vous permettrez à toute personne de votre organisation d’obtenir des résultats fiables.

Publier et partager avec le référentiel analytique

Une fois votre modèle et votre workflow de prétraitement prêts, leur publication dans le référentiel analytique ne prend que quelques clics. À partir de là, vos modèles et workflows sont :

• Accessibles par vos collègues et équipes
• Réutilisables dans différents projets sans duplication
• Répétables pour des résultats cohérents basés sur l’IA

Voici un aperçu de la boîte de dialogue de publication dans ENVI Modeler, où le workflow de traitement et le modèle ONNX sont prêts à être partagés.

En résumé, avec ENVI Deep Learning 4.0, vous pouvez :

• Importer des modèles ONNX facilement
• Personnaliser la gestion des données pour correspondre aux attentes du modèle
• Prétraiter les entrées avec les puissants outils d’imagerie d’ENVI
• Publier et partager des workflows IA dans le référentiel analytique

Il n’a jamais été aussi simple de passer d’un modèle entraîné à un actif IA déployé et partageable.

Des questions ou envie d’en savoir plus ? N’hésitez pas à nous contacter infofrance@NV5.com