xarvio Digital Farming Solutions, gelişimini Amazon SageMaker jeo-uzamsal yetenekleriyle nasıl hızlandırır?

Bu, xarvio Digital Farming Solutions'ta Veri Bilimcisi Julian Blau'nun ortak yazdığı bir konuk gönderisidir; BASF Digital Farming GmbH ve Antonio Rodriguez, AWS'de AI/ML Uzman Çözüm Mimarı

xarvio Digital Farming Solutions, BASF Tarım Çözümleri bölümünün bir parçası olan BASF Digital Farming GmbH'nin bir markasıdır. xarvio Digital Farming Solutions, çiftçilerin mahsul üretimini optimize etmelerine yardımcı olmak için hassas dijital tarım ürünleri sunar. Dünya çapında mevcut olan xarvio ürünleri, bireysel alanların ihtiyaçlarını yönetmek için doğru ve zamanında agronomik öneriler sunmak için makine öğrenimi (ML), görüntü tanıma teknolojisi ve gelişmiş mahsul ve hastalık modellerini uydulardan ve meteoroloji istasyonu cihazlarından alınan verilerle birlikte kullanır. xarvio ürünleri yerel tarım koşullarına göre uyarlanmıştır, büyüme aşamalarını izleyebilir ve hastalık ve zararlıları tanıyabilir. Sürdürülebilir tarıma katkıda bulunurken verimliliği artırır, zamandan tasarruf sağlar, riskleri azaltır ve planlama ve karar alma için daha yüksek güvenilirlik sağlar.

Bazı kullanım durumlarımız için, kullanıcılarımızın alanlarının bulunduğu alanların uydu görüntüleri dahil olmak üzere farklı jeo-uzamsal verilerle çalışıyoruz. Bu nedenle, her gün yüzlerce büyük resim dosyası kullanıyor ve işliyoruz. Başlangıçta, üçüncü taraf araçları, açık kaynak kitaplıkları veya genel amaçlı bulut hizmetlerini kullanarak bu verileri almak, işlemek ve analiz etmek için çok fazla manuel çalışma ve çaba harcamak zorunda kaldık. Bazı durumlarda, her bir proje için boru hatlarını inşa etmemiz 2 ayı bulabilir. Şimdi, jeo-uzamsal yetenekleri kullanarak Amazon Adaçayı Yapıcı, bu süreyi sadece 1-2 haftaya indirdik.

Bu zaman tasarrufu, diğer kullanımlar için aynı kanıtlanmış adımları uygularken diğer coğrafi alanlardaki benzer projeleri hızlandırmak ve iyileştirmek için yerleşik yeniden kullanılabilir bileşenleri kullanmanın yanı sıra kullanım durumlarımızı daha verimli bir şekilde sunmak için jeo-uzamsal veri boru hatlarını otomatikleştirmenin bir sonucudur. benzer verilere dayanan durumlar.

Bu yazıda, yaygın olarak kullandığımız tekniklerden bazılarını açıklamak için örnek bir kullanım durumunu inceleyeceğiz ve SageMaker jeo-uzamsal işlevlerini diğer SageMaker özellikleriyle birlikte kullanarak bunları uygulamanın nasıl ölçülebilir faydalar sağladığını göstereceğiz. Bunları kendi özel kullanım durumlarınıza uyarlayabilmeniz için kod örnekleri de ekliyoruz.

Çözüme genel bakış

Yeni çözümler geliştirmeye yönelik tipik bir uzaktan algılama projesi, aşağıdakiler gibi optik uydular tarafından alınan görüntülerin adım adım analiz edilmesini gerektirir: nöbetçi or Landsat, hava tahminleri veya belirli saha özellikleri dahil olmak üzere diğer verilerle birlikte. Uydu görüntüleri, kullanıcılarımızın çeşitli görevleri yerine getirmelerine yardımcı olmak için dijital tarım çözümlerimizde kullanılan değerli bilgiler sağlar:

• Hastalıkları kendi alanlarında erken tespit etmek
• Doğru beslenme ve uygulanacak tedavilerin planlanması
• Sulamayı planlamak için hava ve su hakkında bilgi edinme
• Mahsul verimini tahmin etme
• Diğer mahsul yönetimi görevlerini gerçekleştirme

Bu hedeflere ulaşmak için, analizlerimiz tipik olarak uydu görüntülerinin coğrafi alanda yaygın olan farklı tekniklerle önceden işlenmesini gerektirir.

SageMaker jeo-uzamsal yeteneklerini göstermek için, makine öğrenimi segmentasyon modelleri aracılığıyla tarım alanlarını tanımlamayı denedik. Ek olarak, önceden var olan SageMaker jeo-uzamsal modellerini ve arazi kullanımı ve arazi örtüsü sınıflandırması veya ekin sınıflandırması gibi jeo-uzaysal görevlerde kendi modelini getir (BYOM) işlevselliğini araştırdık ve genellikle süreçte ek adımlar olarak panoptik veya semantik segmentasyon teknikleri gerektiriyor.

Aşağıdaki bölümlerde, SageMaker jeo-uzamsal yetenekleriyle bu adımların nasıl gerçekleştirileceğine dair bazı örnekleri inceleyeceğiz. Bunları aşağıdaki uçtan uca örnek defterde de takip edebilirsiniz. GitHub deposu.

Daha önce bahsedildiği gibi, bitki örtüsü, su veya kar dahil olmak üzere bir dizi sınıf üzerinde düzenlenmiş, dünya yüzeyindeki belirli bir coğrafi alanda sahip olduğumuz fiziksel kapsama türünün tanımlanmasından oluşan arazi örtüsü sınıflandırması kullanım durumunu seçtik. Bu yüksek çözünürlüklü sınıflandırma, tarlaların ve çevresinin konumuna ilişkin ayrıntıları yüksek doğrulukla tespit etmemizi sağlar ve bu bilgiler daha sonra ürün sınıflandırmasındaki değişiklik tespiti gibi diğer analizlerle zincirlenebilir.

İstemci kurulumu

İlk olarak, jeo-uzamsal koordinatlardan oluşan bir çokgen içinde tanımlayabildiğimiz, belirli bir coğrafi alanda ekili ürünlere sahip kullanıcılarımız olduğunu varsayalım. Bu yazı için Almanya üzerinden örnek bir bölge tanımlıyoruz. Belirli bir zaman aralığı da tanımlayabiliriz, örneğin 2022'nin ilk aylarında. Aşağıdaki koda bakın:

### Coordinates for the polygon of your area of interest...
coordinates = [
    [9.181602157004177, 53.14038825707946],
    [9.181602157004177, 52.30629767547948],
    [10.587520893823973, 52.30629767547948],
    [10.587520893823973, 53.14038825707946],
    [9.181602157004177, 53.14038825707946],
]
### Time-range of interest...
time_start = "2022-01-01T12:00:00Z"
time_end = "2022-05-01T12:00:00Z"

Örneğimizde, SageMaker jeo-uzamsal SDK ile programatik veya kod etkileşimi yoluyla çalışıyoruz çünkü sürecimizde gerekli olan farklı adımlarla otomatikleştirilebilen kod ardışık düzenleri oluşturmakla ilgileniyoruz. SageMaker jeo-uzaysal ile sağlanan grafik uzantılar aracılığıyla bir kullanıcı arabirimiyle de çalışabileceğinizi unutmayın. Amazon SageMaker Stüdyosu Bu yaklaşımı tercih ederseniz, aşağıdaki ekran görüntülerinde gösterildiği gibi. Geospatial Studio kullanıcı arayüzüne erişmek için SageMaker Studio Launcher'ı açın ve Jeo-uzamsal kaynakları yönetin. Dokümantasyonda daha fazla ayrıntıyı kontrol edebilirsiniz. Amazon SageMaker Geospatial Yeteneklerini Kullanmaya Başlayın.

Burada, SageMaker jeo-uzamsal özellikleriyle yürüttüğünüz Dünya Gözlem işlerinin (EOJ'ler) sonuçlarını grafiksel olarak oluşturabilir, izleyebilir ve görselleştirebilirsiniz.

Örneğimize dönecek olursak, SageMaker jeo-uzamsal SDK ile etkileşim kurmanın ilk adımı, istemciyi ayarlamaktır. Bunu, bir oturum oluşturarak yapabiliriz. botocore kütüphane:

import boto3
gsClient = boto3.client('sagemaker-geospatial')

Bu noktadan itibaren, istemciyi ilgili herhangi bir EOJ'yi çalıştırmak için kullanabiliriz.

veri alma

Bu kullanım durumu için, verilen coğrafi bölgemiz için uydu görüntüleri toplayarak başlıyoruz. İlgilenilen yere bağlı olarak, görüntüleri genellikle "olarak adlandırılan" şekilde düzenlenmiş olan mevcut uydular tarafından az ya da çok kapsama alanı olabilir. tarama koleksiyonları.

SageMaker'ın jeo-uzamsal yetenekleriyle, jeo-uzamsal verileri doğrudan elde etmek için yüksek kaliteli veri kaynaklarına doğrudan erişiminiz olur. AWS Veri Değişimi ve AWS'de Açık Veri Kaydı, diğerleri arasında. Halihazırda SageMaker tarafından sağlanan tarama koleksiyonlarını listelemek için aşağıdaki komutu çalıştırabiliriz:

list_raster_data_collections_resp = gsClient.list_raster_data_collections()

Bu, Landsat C2L2 Yüzey Yansıması (SR), Landsat C2L2 Yüzey Sıcaklığı (ST) veya Sentinel 2A ve 2B dahil olmak üzere mevcut farklı raster koleksiyonlarının ayrıntılarını döndürür. Uygun bir şekilde, Düzey 2A görüntüleri zaten Bulut İçin Optimize Edilmiş GeoTIFF'ler (COG'ler) için optimize edilmiştir. Aşağıdaki koda bakın:

…
{'Name': 'Sentinel 2 L2A COGs',
  'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
  'Type': 'PUBLIC',
  'Description': 'Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs'
…

Örneğimiz için bu sonuncuyu alalım, ayarlayarak data_collection_arn Sentinel 2 L2A COG koleksiyonu ARN'sine parametre.

İlgi alanımız (AOI) olarak tanımladığımız bir çokgenin koordinatlarını ileterek, belirli bir coğrafi konum için mevcut görüntüleri de arayabiliriz. Bu, belirtilen AOI için gönderdiğiniz çokgeni kaplayan mevcut görüntü döşemelerini görselleştirmenizi sağlar. Amazon Basit Depolama Hizmeti (Amazon S3) Bu görüntüler için URI'ler. Uydu görüntülerinin tipik olarak farklı şekillerde sağlandığını unutmayın. bantları gözlemin dalga boyuna göre; Bunu daha sonra gönderide tartışacağız.

response = gsClient.search_raster_data_collection(**eoj_input_config, Arn=data_collection_arn)

Yukarıdaki kod, aşağıdakiler gibi GeoTIFF'lerle uyumlu herhangi bir kitaplıkla doğrudan görselleştirebileceğiniz, mevcut farklı görüntü döşemeleri için S3 URI'lerini döndürür: rasteryo. Örneğin, True Color Image (TCI) döşemelerinden ikisini görselleştirelim.

…
'visual': {'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/32/U/NC/2022/3/S2A_32UNC_20220325_0_L2A/TCI.tif'},
…

işleme teknikleri

Uyguladığımız en yaygın ön işleme tekniklerinden bazıları bulut kaldırma, jeo mozaik, zamansal istatistikler, bant matematiği veya istiflemeyi içerir. Tüm bu işlemler artık manuel kodlama yapmaya veya karmaşık ve pahalı üçüncü taraf araçları kullanmaya gerek kalmadan SageMaker'da EOJ'lerin kullanımıyla doğrudan yapılabilir. Bu, veri işleme işlem hatlarımızı oluşturmayı %50 daha hızlı hale getirir. SageMaker jeo-uzamsal yetenekleri ile bu süreçleri farklı giriş türleri üzerinden çalıştırabiliriz. Örneğin:

• Hizmete dahil olan tarama koleksiyonlarından herhangi biri için doğrudan bir sorgu çalıştırın. RasterDataCollectionQuery parametre
• Amazon S3'te depolanan görüntüleri giriş olarak iletin. DataSourceConfig parametre
• Önceki bir EOJ'nin sonuçlarını zincirleme yapmanız yeterlidir. PreviousEarthObservationJobArn parametre

Bu esneklik, ihtiyacınız olan her türlü işleme boru hattını oluşturmanıza olanak tanır.

Aşağıdaki diyagram, örneğimizde ele aldığımız süreçleri göstermektedir.

Örneğimizde girdi olarak AOI'mizin koordinatlarını ve ilgilenilen zaman aralığını ilettiğimiz bir raster veri toplama sorgusu kullanıyoruz. Ayrıca, coğrafi alanımızın net ve gürültüsüz gözlemlerini istediğimiz için maksimum bulut kapsama yüzdesini %2 olarak belirliyoruz. Aşağıdaki koda bakın:

eoj_input_config = {
    "RasterDataCollectionQuery": {
        "RasterDataCollectionArn": data_collection_arn,
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {"PolygonGeometry": {"Coordinates": [coordinates]}}
        },
        "TimeRangeFilter": {"StartTime": time_start, "EndTime": time_end},
        "PropertyFilters": {
            "Properties": [
                {"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 2}}}
            ]
        },
    }
}

Desteklenen sorgu sözdizimi hakkında daha fazla bilgi için bkz. Bir Dünya Gözlem İşi Oluşturun.

Bulut boşluğu kaldırma

Uydu gözlemleri, yüksek bulut kapsamı nedeniyle genellikle daha az faydalıdır. Bulut boşluğu doldurma veya bulut kaldırma, verileri daha sonraki işlem adımlarına hazırlamak için farklı yöntemlerle yapılabilen görüntülerden bulutlu piksellerin değiştirilmesi işlemidir.

SageMaker jeo uzamsal yetenekleriyle, bunu bir CloudRemovalConfig işimizin konfigürasyonundaki parametre.

eoj_config =  {
    'CloudRemovalConfig': {
        'AlgorithmName': 'INTERPOLATION',
        'InterpolationValue': '-9999'
    }
}

Örneğimizde sabit bir değere sahip bir enterpolasyon algoritması kullandığımızı, ancak aşağıda açıklandığı gibi desteklenen başka yapılandırmalar olduğunu unutmayın. Bir Dünya Gözlem İşi Oluşturun belgeler. Enterpolasyon, çevreleyen pikselleri göz önünde bulundurarak bulutlu pikselleri değiştirmek için bir değer tahmin etmesine olanak tanır.

Artık girdi ve iş yapılandırmalarımızla EOJ'mizi çalıştırabiliriz:

response = gsClient.start_earth_observation_job(
    Name =  'cloudremovaljob',
    ExecutionRoleArn = role,
    InputConfig = eoj_input_config,
    JobConfig = eoj_config,
)

Bu işin tamamlanması, giriş alanı ve işleme parametrelerine bağlı olarak birkaç dakika sürer.

Tamamlandığında, EOJ'nin sonuçları hizmete ait bir konumda depolanır ve buradan sonuçları Amazon S3'e aktarabilir veya bunları başka bir EOJ için girdi olarak zincirleyebiliriz. Örneğimizde, aşağıdaki kodu çalıştırarak sonuçları Amazon S3'e aktarıyoruz:

response = gsClient.export_earth_observation_job(
    Arn = cr_eoj_arn,
    ExecutionRoleArn = role,
    OutputConfig = {
        'S3Data': {
            'S3Uri': f's3://{bucket}/{prefix}/cloud_removal/',
            'KmsKeyId': ''
        }
    }
)

Artık bireysel spektral bantlar için belirlediğimiz Amazon S3 konumumuzda depolanan nihai görüntüleri görselleştirebiliyoruz. Örneğin, döndürülen mavi bant görüntülerinden ikisini inceleyelim.

Alternatif olarak, aşağıdaki ekran görüntülerinde gösterildiği gibi Studio'da bulunan jeo-uzamsal uzantıları kullanarak EOJ sonuçlarını grafiksel olarak da kontrol edebilirsiniz.

zamansal istatistikler

Uydular sürekli olarak dünya etrafında yörüngede döndüklerinden, belirli bir coğrafi ilgi alanı için görüntüler, uyduya bağlı olarak günlük, 5 günde bir veya 2 haftada bir gibi belirli bir zamansal frekansla belirli zaman dilimlerinde alınır. Zamansal istatistik süreci, belirli bir alan için yıllık ortalama veya belirli bir zaman aralığındaki tüm gözlemlerin ortalaması gibi toplu bir görünüm oluşturmak için farklı zamanlarda alınan farklı gözlemleri birleştirmemizi sağlar.

SageMaker jeo uzamsal yetenekleriyle, bunu ayarlayarak yapabiliriz. TemporalStatisticsConfig parametre. Örneğimizde, Yakın Kızılötesi (NIR) bandı için yıllık ortalama toplamayı elde ediyoruz, çünkü bu bant, saçakların tepesinin altındaki bitki yoğunluğu farklılıklarını ortaya çıkarabilir:

eoj_config =  {
    'TemporalStatisticsConfig': {
        'GroupBy': 'YEARLY',
        'Statistics': ['MEAN'],
        'TargetBands': ['nir']
    }
}

Bu yapılandırmayla bir EOJ'yi birkaç dakika çalıştırdıktan sonra, farklı renk yoğunluklarıyla temsil edilen farklı bitki örtüsü yoğunluklarını gözlemleyebileceğimiz aşağıdaki örneklere benzer görüntüler elde etmek için sonuçları Amazon S3'e aktarabiliriz. EOJ'nin, belirtilen zaman aralığı ve koordinatlar için mevcut uydu verilerine bağlı olarak döşemeler halinde birden çok görüntü üretebileceğini unutmayın.

Bant matematiği

Yer gözlem uyduları, bazıları insan gözüyle görülemeyen farklı dalga boylarındaki ışığı tespit etmek için tasarlanmıştır. Her aralık, farklı dalga boylarında ışık spektrumunun belirli bantlarını içerir; bu bantlar, aritmetikle birleştiğinde, diğerlerinin yanı sıra bitki sağlığı, sıcaklık veya bulutların varlığı gibi alanın özellikleri hakkında zengin bilgiler içeren görüntüler üretebilir. Bu, genellikle bant matematiği veya bant aritmetiği olarak adlandırılan bir süreçte gerçekleştirilir.

SageMaker jeo uzamsal yetenekleriyle, bunu ayarlayarak çalıştırabiliriz. BandMathConfig parametre. Örneğin aşağıdaki kodu çalıştırarak nem indeksi görüntülerini elde edelim:

eoj_config =  {
    'BandMathConfig': {
        'CustomIndices': {
            'Operations': [
                {
                    'Name': 'moisture',
                    'Equation': '(nir08 - swir16) / (nir08 + swir16)'
                }
            ]
        }
    }
}

Bu yapılandırmayla bir EOJ'yi birkaç dakika çalıştırdıktan sonra, aşağıdaki iki örnek gibi sonuçları dışa aktarabilir ve görüntüler elde edebiliriz.

Istif

Bant matematiğine benzer şekilde, orijinal bantlardan bileşik görüntüler üretmek için bantları birleştirme işlemine istifleme denir. Örneğin, AOI'nin gerçek renkli görüntüsünü üretmek için bir uydu görüntüsünün kırmızı, mavi ve yeşil ışık bantlarını üst üste koyabiliriz.

SageMaker jeo uzamsal yetenekleriyle, bunu ayarlayarak yapabiliriz. StackConfig parametre. Aşağıdaki komutla önceki örneğe göre RGB bantlarını istifleyelim:

eoj_config =  {
    'StackConfig': {
        'OutputResolution': {
            'Predefined': 'HIGHEST'
        },
        'TargetBands': ['red', 'green', 'blue']
    }
}

Bu yapılandırmayla bir EOJ çalıştırdıktan birkaç dakika sonra sonuçları dışa aktarabilir ve görüntüler elde edebiliriz.

Anlamsal segmentasyon modelleri

Çalışmamızın bir parçası olarak, bulutlu alanları algılamak veya görüntülerin her bir alanındaki arazi türünü sınıflandırmak gibi önceden işlenmiş görüntüler üzerinde çıkarımlar yapmak için genellikle makine öğrenimi modellerini kullanırız.

SageMaker jeo uzamsal yetenekleriyle, yerleşik segmentasyon modellerine güvenerek bunu yapabilirsiniz.

Örneğimiz için, arazi örtüsü bölümlendirme modelini kullanarak LandCoverSegmentationConfig parametre. Bu, SageMaker'da herhangi bir altyapıyı eğitmeye veya barındırmaya gerek kalmadan, yerleşik modeli kullanarak girdi üzerinde çıkarımlar yürütür:

response = gsClient.start_earth_observation_job(
    Name =  'landcovermodeljob',
    ExecutionRoleArn = role,
    InputConfig = eoj_input_config,
    JobConfig = {
        'LandCoverSegmentationConfig': {},
    },
)

Bu yapılandırma ile bir işi birkaç dakika çalıştırdıktan sonra sonuçları dışa aktarabilir ve görüntüler elde edebiliriz.

Önceki örneklerde, görüntülerdeki her piksel, aşağıdaki göstergede gösterildiği gibi bir arazi tipi sınıfına karşılık gelir.

Bu, sahnedeki bitki örtüsü veya su gibi belirli alan türlerini doğrudan tanımlamamıza olanak tanıyarak ek analizler için değerli bilgiler sağlar.

SageMaker ile kendi modelinizi getirin

SageMaker ile sağlanan son teknoloji jeo uzamsal modeller kullanım durumumuz için yeterli değilse, açıklandığı gibi çıkarım için SageMaker'a eklenen herhangi bir özel modelle şimdiye kadar gösterilen ön işleme adımlarından herhangi birinin sonuçlarını da zincirleyebiliriz. bunda SageMaker Komut Dosyası Modu örnek. Bunu, gerçek zamanlı SageMaker uç noktalarıyla eşzamanlı, SageMaker eşzamansız uç noktalarıyla eşzamansız, SageMaker toplu dönüşümleriyle toplu veya çevrimdışı ve SageMaker sunucusuz çıkarımla sunucusuz dahil olmak üzere SageMaker'da desteklenen herhangi bir çıkarım moduyla yapabiliriz. Bu modlar hakkında daha fazla ayrıntıyı şuradan kontrol edebilirsiniz: Çıkarım için Modelleri Dağıt belgeler. Aşağıdaki diyagram, üst düzeydeki iş akışını göstermektedir.

Örneğimiz için, bir arazi örtüsü sınıflandırması ve ekin türü sınıflandırması gerçekleştirmek için iki model oluşturduğumuzu varsayalım.

Örneğimizde, aşağıdaki koda benzer bir PyTorch modeli olan eğitilmiş model yapımızı işaret etmemiz yeterlidir:

from sagemaker.pytorch import PyTorchModel
import datetime

model = PyTorchModel(
    name=model_name, ### Set a model name
    model_data=MODEL_S3_PATH, ### Location of the custom model in S3
    role=role,
    entry_point='inference.py', ### Your inference entry-point script
    source_dir='code', ### Folder with any dependencies
    image_uri=image_uri, ### URI for your AWS DLC or custom container
    env={
        'TS_MAX_REQUEST_SIZE': '100000000',
        'TS_MAX_RESPONSE_SIZE': '100000000',
        'TS_DEFAULT_RESPONSE_TIMEOUT': '1000',
    }, ### Optional – Set environment variables for max size and timeout
)

predictor = model.deploy(
    initial_instance_count = 1, ### Your number of instances
    instance_type = 'ml.g4dn.8xlarge', ### Your instance type
    async_inference_config=sagemaker.async_inference.AsyncInferenceConfig(
        output_path=f"s3://{bucket}/{prefix}/output",
        max_concurrent_invocations_per_instance=2,
    ), ### Optional – Async config if using SageMaker Async Endpoints
)

predictor.predict(data) ### Your images for inference

Bu, kullandığınız modele bağlı olarak çıkarımdan sonra ortaya çıkan görüntüleri elde etmenizi sağlar.

Örneğimizde, özel bir arazi örtüsü segmentasyonu çalıştırırken, model aşağıdakine benzer görüntüler üretir; burada girdi ve tahmin görüntülerini karşılık gelen açıklamayla karşılaştırırız.

 .

Aşağıda, orijinal panoptik ve semantik segmentasyon sonuçlarının karşılaştırmasını karşılık gelen açıklamayla birlikte gösterdiğimiz bir ekin sınıflandırma modelinin başka bir örneği verilmiştir.

Coğrafi boru hatlarını otomatikleştirme

Son olarak, jeo-uzamsal veri işleme ve çıkarım işlem hatları oluşturarak önceki adımları otomatik hale getirebiliriz. Amazon SageMaker Ardışık Düzenleri. Kullanımı yoluyla gerekli olan her bir ön işleme adımını basitçe zincirleriz. Lambda Adımları ve Geri Arama Adımları Boru hatlarında. Örneğin, SageMaker jeo-uzamsal özelliklerindeki yerleşik semantik segmentasyon modellerinden biriyle bir EOJ çalıştırmak için bir Dönüştürme Adımını kullanarak veya doğrudan başka bir Lambda Adımları ve Geri Arama Adımları kombinasyonu aracılığıyla son bir çıkarım adımı da ekleyebilirsiniz.

EOJ'ler eşzamansız olduğundan, İşlem Hatlarında Lambda Adımları ve Geri Arama Adımları kullandığımıza dikkat edin, bu nedenle bu tür bir adım, işleme işinin çalışmasını izlememize ve işlem tamamlandığında ardışık düzeni devam ettirmemize olanak tanır. Amazon Basit Kuyruk Hizmeti (Amazon SQS) kuyruğu.

Not defterini şuradan kontrol edebilirsiniz: GitHub deposu Bu kodun ayrıntılı bir örneği için.

Artık jeo uzamsal işlem hattımızın diyagramını Studio aracılığıyla görselleştirebilir ve aşağıdaki ekran görüntüsünde gösterildiği gibi İşlem Hatlarındaki çalıştırmaları izleyebiliriz.

Sonuç

Bu gönderide, xarvio Digital Farming Solutions'ın gelişmiş ürünleri için jeo-uzamsal veri hatları oluşturmak için SageMaker jeo-uzamsal yetenekleriyle uyguladığımız süreçlerin bir özetini sunduk. SageMaker geospatial'ı kullanmak, makine öğrenimi için ön işleme ve modelleme adımlarımızı hızlandıran ve basitleştiren önceden oluşturulmuş API'lerin kullanımıyla jeo uzamsal çalışmamızın verimliliğini %50'den fazla artırdı.

Bir sonraki adım olarak, çözüm hatlarımızın otomasyonunu sürdürmek için kataloğumuzdan daha fazla modeli SageMaker'a dahil ediyoruz ve hizmet geliştikçe SageMaker'ın daha fazla jeo-uzamsal özelliğini kullanmaya devam edeceğiz.

Bu gönderide sağlanan uçtan uca örnek not defterini uyarlayarak ve hizmet hakkında daha fazla bilgi edinerek SageMaker jeo-uzamsal yeteneklerini denemenizi öneririz. Amazon SageMaker Jeo Uzamsal Yetenekleri nedir?.

Yazarlar Hakkında

Julian Blau Almanya, Köln'de bulunan BASF Digital Farming GmbH'de Veri Bilimcisidir. Jeo-uzamsal verileri ve makine öğrenimini kullanarak BASF'nin küresel müşteri tabanının ihtiyaçlarını karşılayan tarım için dijital çözümler geliştiriyor. İş dışında seyahat etmeyi ve arkadaşları ve ailesiyle dışarıda olmayı seviyor.

Antonio Rodriguez İspanya merkezli, Amazon Web Services'ta Yapay Zeka ve Makine Öğrenimi Uzmanı Çözüm Mimarıdır. Her büyüklükteki şirketin yenilik yoluyla zorluklarını çözmesine yardımcı olur ve AWS Cloud ve AI/ML hizmetleriyle yeni iş fırsatları yaratır. İş dışında ailesiyle vakit geçirmeyi ve arkadaşlarıyla spor yapmayı çok seviyor.