Le Deep learning est une méthode d’analyse de données par Machine Learning en constante évolution, qui fait appel à des réseaux neuronaux pour reproduire le comportement du cerveau humain. Intégré au SIG, il permet d’améliorer la gestion des données et offre une analyse des données plus précise.
Les trois principales difficultés liées aux algorithmes de Machine Learning sont les suivantes : analyse de volumes de données importants, ressources de calcul insuffisantes, efficacité et exactitude des algorithmes. L’intégration de ArcGIS Notebooks et des algorithmes de Deep Learning permet de mieux gérer ces difficultés.
Deep Learning dans ArcGIS Notebooks
Les modèles de Deep Learning associés aux données d’imagerie disponibles dans ArcGIS Notebooks peuvent être répartis dans quatre catégories principales :
- Classification d’objet : modèles utilisés pour déterminer la classe d’une entité. Par exemple, un modèle peut être utilisé pour déterminer si un bâtiment a été endommagé par une catastrophe naturelle.
- Détection d’objet : traitement de localisation pour trouver un objet dans une image dans une emprise. Par exemple, la détection d’objet peut être utilisée pour trouver les piscines dans une image.
- Classification de pixels : modèles permettant d’affecter des classes aux pixels d’une image. Par exemple, la classification de pixels peut être utilisée pour la classification d’occupation du sol.
- Classification d’instances : intègre la détection d’objets et la classification de pixels. La classification d’instances peut être utilisée pour détecter un objet et le classifier plus précisément. Par exemple, la classification de pixels peut être utilisée lors de la détection des dommages, non seulement pour identifier ces derniers, mais pour déterminer leur gravité.
Remarque :
ArcGIS Notebooks prend également en charge des modèles ciblés sur les jeux de données tabulaires, de nuages de points et d’autres jeux de données structurés.
Processus de Deep Learning
ArcGIS Notebook Server permet d’effectuer les processus de Deep Learning suivants :
- Deep Learning de bout en bout
- Inférence à l’aide de modèles pré-entraînés
- Optimisation de modèles pré-entraînés
Deep Learning de bout en bout
Le Deep Learning de bout en bout est une méthode transformatrice de Machine Learning qui consiste à entraîner un seul réseau neuronal pour réaliser des tâches complexes directement à partir de données en entrée brutes, sans devoir recourir à l’extraction manuelle d’entités. Il comprend les étapes suivantes :
- Collecte de données : rassemblez un gros volume de données diversifiées dans un jeu de données pertinent pour la tâche à effectuer.
- Prétraitement des données : nettoyez et préparez les données pour l’entraînement.
- Conception du modèle : choisissez une architecture de réseau neuronal.
- Entraînement : le modèle est entraîné sur le jeu de données et les paramètres sont ajustés afin de réduire les erreurs au minimum.
- Évaluation : testez le modèle sur un autre jeu de données afin d’évaluer ses performances.
- Déploiement : implémentez le modèle entraîné dans une véritable application.
Pour consulter un exemple du processus, reportez-vous à la rubrique Exemple : processus de Deep Learning de bout en bout.
Modèles pré-entraînés
Les modèles de Deep Learning pré-entraînés permettent de rationaliser vos processus géospatiaux en éliminant le besoin en données d’entraînement et en ressources de calcul importantes. ArcGIS offre plusieurs modèles de Deep Learning pré-entraînés dédiés à différentes tâches. Ces modèles, téléchargeables depuis ArcGIS Living Atlas, peuvent être utilisés dans ArcGIS Notebooks une fois chargés sous la forme de contenu du portail.
Pour consulter un exemple du processus, reportez-vous à la rubrique Exemple : Inférence à l’aide d’un modèle pré-entraîné.
Vous avez un commentaire à formuler concernant cette rubrique ?