raster-vision: 一个用于在卫星和航空图像上构建 ML 模型的地理空间计算机视觉框架

它解决了什么问题

Raster Vision 提供了一个全面的框架，用于将计算机视觉应用于大规模地理空间图像，例如卫星、航空和无人机数据。它简化了在地理引用数据上构建、训练和部署用于目标检测和语义分割等任务的深度学习模型的流程。

工作原理

它既作为一个库，也作为一个低代码框架。作为一个库，它提供了读取地理引用数据、训练模型以及将预测结果写回地理空间格式的实用程序。作为一个框架，它允许用户配置机器学习流水线——包括数据分析、切片（chip）创建、模型训练和评估——而无需成为深度学习专家。它使用 PyTorch 作为后端，并支持通过 AWS Batch 和 AWS SageMaker 进行云端执行。

适用人群

• 开发者，希望将地理空间 CV 工具集成到自己的代码中。
• 非开发者或地理空间分析师，需要一种低代码方式在图像上配置和运行 ML 实验。

亮点

• 内置对切片分类、目标检测和语义分割的支持。
• 全面的地理空间工作流支持，从读取地理引用数据到以地理引用格式输出预测结果。
• 用于可重复 ML 流水线的低代码配置。
• 与 AWS Batch 和 AWS SageMaker 原生集成，实现云端扩展。