ArcGIS Living Atlas ile Kullanıma Hazır Derin Öğrenme Modelleri

ArcGIS Living Atlas ile Kullanıma Hazır Derin Öğrenme Modelleri

Çok çeşitli sensörlerden ve kaynaklardan elde edilen görüntü verileri gün geçtikçe artmaya devam ediyor, bunları anlamlandırmak, sınıflandırmak, analiz etmek ya da bütün bu işlemleri otomatize etmek için Yapay Zeka’ya olan ihtiyaç ve talep de aynı hızda artıyor. Kuruluşunuzun da büyük boyutlarda ve hızlarda veri işlemeye hazır olabilmesi için Esri, yapay zeka işleriniz için ArcGIS Living Atlas of The World ile kullanımınıza hazır yapay zeka modellerini kullanıma sürdü. Bunlara bu bağlantıdan ulaşabilirsiniz.

Coğrafi veri kümelerinize uygulayabileceğiniz yapay zeka yeteneklerden daha önceden bahsettiğimiz, ArcGIS’te bulunan bir çok derin öğrenme modeli hakkındaki bilgilere buradan ulaşabilirsiniz.

Esri’nin Yapay Zeka ekibi buradaki modellerine sürekli olarak yenilerini eklemeye devam ediyor.

Yeni Derin Öğrenme Modelleri kullanılarak otomatik olarak çıkarılmış bina taban sınırları.

 

Yeni çıkan Kullanıma hazır modellerle ise siz ve kurumlarınızın derin öğrenme iş akışlarınızı çok daha kolay ve ölçeklendirilebilir hale getiriyor. Bu kullanıma hazır modeller yani eğitime gerek duymayan modeller, Esri tarafından çok büyük veri kümelerinden önceden eğitilmiştir ve nokta bulutu verilerinizden ya da uydu görüntülerinden sayısallaştırma yoluyla çıkaracağınız detayları otomatikleştirme için kolayca kullanılabilirler. Dahası yapay zeka ve derin öğrenmenin gücüne erişebilmek için ArcGIS Online hesabınız olması yeterlidir.

Modelleri Kullanma

Bu modelleri kullanmak oldukça kolaydır. ArcGIS Pro’daki coğrafi işlem araçlarını kullanarak verilerinize uygulayabilirsiniz. Örneğin Detect Objects Using Deep Learning aracı için araca girdi olarak görüntüleri ve yukarıdaki bağlantıdan indirdiğiniz modeli göstermeniz yeterli. Derin öğrenme işlemleri daha önce hiç olmadığı kadar kolay bir hal aldı. Tabi iyi bir grafik işlemci biriminizin olması işleri hızlandırmak için iyi olabilir ama gerekli değildir, modelinizi CPU ile de çalıştırabilirsiniz. Ya da işleri daha hızlı bir hale getirmek için ArcGIS Enterprise ile Image Server kullanabilirsiniz.

Bina taban sınırlarını çıkartma işleminin yapıldığı örnek video’yu buradan izleyebilirsiniz.

Bu derin öğrenme modellerinden nasıl yararlanabilirsiniz?

Muhtemelen, ayak izlerini sayısallaştırmak veya arazi örtüsü haritaları oluşturmak gibi görüntülerden detayları manuel olarak çıkarmanın zaman alıcı olduğunu söylemeye gerek yoktur. Derin öğrenme, bu süreci otomatikleştirir ve bu çıktıları elde etmek için gereken manuel etkileşimi önemli ölçüde aza indirir. Bununla birlikte, kendi derin öğrenme modelinizi eğitmek karmaşık olabilir, çok fazla veriye, kapsamlı bilgi işleme kaynağına ve derin öğrenmenin nasıl çalıştığına dair bilgiye ihtiyaç duyar.

Kaliforniya’dan örnek bina taban sınırları.

 

Kullanıma hazır modellerle, detayları manuel olarak çıkarmak veya kendi derin öğrenme modelinizi eğitmek için artık zaman ve enerji harcamanıza gerek kalmıyor. Bu modeller, çeşitli coğrafyalardan gelen çok büyük veri setleriyle eğitilmiştir. Siz kendi görüntülerinizle, bir düğmeye tıklayarak detayları kolayca çıkarabilir ve haritalama, görselleştirme ve analiz için CBS veri kümesi katmanlarınızı oluşturabilirsiniz.

Dubai’deki Palmiye Adalarından çıkarılmış örnek bina taban sınırları.

 

Kullanımınıza Hazır Yayınlanmış Birkaç Modeli Tanıyalım

ArcGIS Online’da sürekli olarak yenilerinin eklendiği derin öğrenme modelli mevcuttur. Bu modeller, ArcGIS Pro, Image Server veya ArcGIS for Python ile kullanabileceğiniz Derin Öğrenme Paketleri yani DLPK dosyaları şeklinde bulunmaktadır.

  1. Bina Taban İzini Çıkarma modeli, yüksek çözünürlüklü uydu görüntülerinden bina taban izlerini çıkarmak için kullanılır. Amerika Birleşik Devletleri verileriyle tasarlanmış ve eğitilmiş olsa da, dünyanın diğer bölgelerinde oldukça iyi performans gösteriyor.

    Bu model Dünya’nın farklı bölgelerindeki veri kümeleriyle de çalışmaktadır. İsveç’ten örnek sonuçlar.

     

    Bina taban izi katmanları, şehir bölge planlama, sigortacılık, vergilendirme, değişim tespiti ve altyapı planlaması gibi CBS işlerinde kullanılabilen verilerdir. Bazı sonuçlara ulaşabileceğiniz bir hikaye haritasına buradan erişebilir ve ArcGIS Pro’da nasıl uygulanabileceğine ilişkin bir videoya da buradan erişebilirsiniz.

  2. Arazi Örtüsü Sınıflandırma modeli, Landsat 8 görüntüleri kullanılarak bir arazi örtüsü ürünü oluşturmak için kullanılır. Ortaya çıkan arazi örtüsü haritaları, kentsel planlama, kaynak yönetimi, değişim tespiti ve tarım için kullanılabilir.

    Landsat 8 görüntülerinden sınıflandırılmış arazi örtüsü haritası.

     

    Bu jenerik model, Landsat 8 verileri ile Amerikan Ulusal Arazi Örtüsü Veritabanı (NLCD) 2016 üzerinde eğitilmiştir. Arazi örtüsü sınıflandırması karmaşık bir uygulamadır ve geleneksel yöntemlerle tespit edilmesi zordur. Derin öğrenme modelleri, bu karmaşık semantikleri öğrenme ve çok iyi sonuçlar verme konusunda yüksek kapasiteye sahiptir.

  3. Ağaç Nokta Sınıflandırma modeli, nokta bulutu veri kümelerinde ağaçları temsil eden noktaları sınıflandırmak için kullanılabilir.

    Ağaç nokta sınıflandırmalarıyla yapılmış 3 Boyutlu bir sahne.

     

    Ağaçlara ait noktalarının sınıflandırılması, yüksek kaliteli 3B altlık haritaları, kentsel planlama ve ormancılık iş akışları oluşturmak için faydalı olabilir. Bu derin öğrenme modeli 3B Altlık Harita Çözümü‘nde lidar verilerinden ağaçları sınıflandırmak ve ayıklamak için geliştirilmiştir.

Sonraki Adım

ArcGIS’te derin öğrenme modellerini kullanmak için buradaki ayrıntılı talimatları okuyarak, ArcGIS Living Atlas’taki derin öğrenme modellerini kendiniz deneyin.

Kaynaklar:

Living Atlas of the World | ArcGIS
Introducing ready-to-use geospatial deep learning models (esri.com)
Building Footprint Extraction (arcgis.com)
How-to: Extracting Building Footprints using Esri’s Deep Learning Model – YouTube

Esri Türkiye, Aralık 2020

CityGML Verilerinin I3S Katmanlarına Dönüştürülmesi

CityGML –> I3S

CityGML veri formatı, bir şehir ile ilgili mekansal verileri XML tabanlı bir formatta depolamak ve paylaşmak için Open Geospatial Consortium (OGC) tarafından geliştirilmiş bir açık veri formatıdır. Esri, CityGML uzantılı 3B binaları OGC standartlarına uygun I3S (Indexed 3D Scene)  katmanlarına dönüştürülmesi kapsamında con terra ile bir dizi araç geliştirdi. Bu araçlar CityGML verilerini SLPK katmanlarına çevirerek kullanıcıların 3B içeriği web, mobil ve masaüstü iş akışlarında kullanılmasına ve yayınlanmasına olanak tanıdı. Daha önce I3S katmanlarının ne olduğu ve web cbs süreçlerine ne kolaylıklar sağladığı ile ilgili yazıma ulaşmak için linke tıklayabilirsiniz. Bu blog yazımda CityGML verilerinin  SLPK formatına dönüştürülmesi için gerekli adımları inceleyeceğiz. SLPK, I3S sahne katmanını besleyen veri kaynağıdır.

Dönüştürrmeye Başlamadan Önce

CityGML, arazi sınırları,şehir mobilyaları, bitkiler gibi bilgileri depolayabilmektedir. Ancak CityGML – SLPK dönüşüm işlemleri ilk olarak bina özelinde yapılmaktadır. Bir GDB içerisine yüklemek istediğiniz ek verilerimiz varsa Data Interoperability eklentisi ile kullanılabilen Quick Import aracıyla bu işlemleri yapabiliriz. CityGML, binaları 0’dan 4’e kadar bir rakam ile ifade edilen ve daha yüksek sayılar daha yüksek karmaşıklık ve ayrıntı düzeylerini temsil eden birden çok detay seviyesinde (LOD) depolanabilmektedir. Belirli bir ayrıntı düzeyini çıkarmayı seçebilir veya aracın, her bina için mevcut en yüksek ayrıntı düzeyini otomatik olarak seçmesini sağlayabiliriz.

Dönüştürmek istediğimiz GML uzantılı bina modelleri

FME Data inspector yazılımında görüntülediğimiz GML verilerini, buraya tıklayarak ulaşacağımız araç setini kullanarak dönüştürebilmekteyiz.

Dönüşüm

CtyGML – SLPK dönüşümlerinde kullanacağımız araç seti Data Interoperability eklentisini temel almaktadır. ArcGIS Pro üzerinden erişebildiğimiz Data Interoperability eklentisi aslında Esri platformu ile çoğu uzantı arasında veri alışverişini kolaylaştıran bir eklentidir. Temelinde FME Workbench platformunu kullanmaktadır. Sağlanan araç setinde sadece ArcGIS Pro aracı olarak değil, FME Workbench üzerinden kullanıma göre özelleştirilebilmesi açısından .fmw uzantılı dosya da kullanıma açık bir şekilde paylaşılmaktadır.

Düzenlenebilen Workbench dosyası

Bu araç girdi GML dosyasını ve çıktı SLPK dosyalarının konumlarını ve diğer parametreleri belirledikten sonra FME Workbecnh üzerinde de çalıştırabilmektedir.

Araç setinde paylaşılan toolbox kullanılarak, direkt olarak ArcGIS Pro içerisinden bu dönüşüm işlemlerini yapabilmekteyiz. Insert -> Toolbox –> Add toolbox seçeneğini kullanarak aracı kullanabiliriz.

Dönüşüm aracının ArcGIS Pro üzerinde kurulumu,

 

İçeri aktarılan toolbox içerisinde bulunan “Convert Building From CityGML” aracı ile dönüşüm işlemlerini kolayca gerçekleştirebilmekteyiz. Kendi oluşturduğumuz FME Workbench dosyalarını da Spatial ETL tool şeklinde bir ArcGIS Pro aracına dönüştürebilmekteyiz

CityGML – SLPK aracının ArcGIS Pro da kullanılması

Artık elimizdeki CityGML verilerini direkt olarak SLPK formatına çevirebilmekteyiz. Bu sayede arada ek dönüşümlere gerek duymadan direkt olarak dönüşüm işlemlerini yapabilmekteyiz. Bu aşamadan sonra elimizde bulunan SLPK katmanı, ArcGIS Pro, ArcGIS Online veya ArcGIS enterprise üzerinde bir web sahnesinde ve ArcGIS Earth platformlarında görüntülenebilir hale gelmektedir. Ayrıca yerel veriyi kullanarak yapacağımız çalışmalarda da aynı şekilde kullanabilmekteyiz.

SLPK katmanının farklı platformlarda gösterimi

Esri Türkiye 2020

Drone2Map 2.2 ile Gelen Yenilikler

Bu konuda değinilecek başlıklar aşağıda olduğu gibidir.

  • Bölme yönetimi
  • Yer kontrol iyileştirmeleri
  • Görüntü bağlantılarının varsayılan rengini değiştirin
  • Kamera optimizasyon parametreleri
  • Görüntülerinizdeki hassas detayları koruyun
  • Gerçek zamanlı görüntü bilgisi
  • Topografyayı görselleştirin
  • Batch Project sonuçlarına hızlı erişim
  • Görüntü servislerine dayalı yükseklik kaynakları
  • GPS kaynağı ayarla
  • Kameranızı seçin
  • Daha hızlı işlem motoru

 

Bölme yönetimi

Proje çıktıları Manage bölmesinden yönetilerek projeniz için doğru olan ürünleri hızla seçmenize ve bu ürünlerin projenize nasıl dahil edileceğini kontrol etmenize olanak tanır. Bu bölmeyi aynı zamanda işleme seçeneklerine hızlıca erişmek için ve işlem adımlarını yönetmek, projelerinizin ilerleyişini izlemek için kullanabilirsiniz.

Manage bölmesi, ürün çıktılarına ve işleme seçeneklerine hızlı erişim sağlar.

Paylaşma seçenekleri, Manage bölmesine taşınarak işleri paylaşmanın ilerlemesini izlerken iş kuyruklarını daha akıcı şekilde yönetmenizi sağlar.

Sharing sekmesi, paylaşım işlemlerinin durumunu hızlı bir şekilde izlemenizi sağlar.

Sharing sekmesi, paylaşım işlemlerinin durumunu hızlı bir şekilde izlemenizi sağlar.

 

Yer kontrol iyileştirmeleri

Control Manager, Image Links düzenleyici ve harita arası üç yönlü senkronizasyon ile projenize yer kontrol eklemek daha hızlı ve daha kolay gerçekleştirilecektir. Birinde bir kontrol noktası seçmek, diğerinde kontrolü otomatik olarak etkinleştirir ve projenizdeki kontrol noktasını konumlandırmak ve yerleştirmek (locate and place control) için süreci düzene sokar.

Control Manager, Image Links Editor ve harita arasında üç yönlü senkronizasyon ile görüntü bağlantılarını daha hızlı bulun ve yerleştirin.

Control Manager, Image Links Editor ve harita arasında üç yönlü senkronizasyon ile görüntü bağlantılarını daha hızlı bulun ve yerleştirin.

 

Görüntü bağlantılarının varsayılan rengini değiştirin

Image Links Editor işaretçisini kendinize göre daha görünür hale getirebilirsiniz. Görüntülerinizde daha fazla görünürlük sağlamak için Image Links Editor işaretçisini özelleştirebilirsiniz.

Daha yüksek görünürlük için image links işaretçisinin rengini değiştirin.

Daha yüksek görünürlük için image links işaretçisinin rengini değiştirin.

 

Kamera optimizasyon parametreleri

Drone2Map’in dahili ve harici kamera parametrelerini nasıl optimize ettiği konusunda artık daha fazla kontrol sahibisiniz. Bu durum, üç boyutlu harita yüzeyinin altında veya üstünde çıktıları olan ve GCP olmayan üç boyutlu projelerde yardımcı olur.

Yeni işleme seçenekleri, dahili ve harici kamera parametrelerini optimize eder.

Yeni işleme seçenekleri, dahili ve harici kamera parametrelerini optimize eder.

 

Görüntülerinizdeki hassas detayları koruyun

Ortomosaik düzenleme araçlarının eklenmesiyle, artık hassas verileri ortomosaic’inizden, kuruluşunuzla paylaşmadan önce gizleyebilirsiniz (obscure sensitive data).

Hassas verileri ortomosaik düzenleme araçlarıyla koruyun.

Hassas verileri ortomosaik düzenleme araçlarıyla koruyun.

 

Gerçek zamanlı görüntü bilgisi

Image Information aracı, ek araçlar çalıştırmanıza gerek kalmadan proje çıktılarınızdan piksel değerlerini dinamik olarak görüntülemenizi sağlar.

Image Information aracıyla piksel değerlerini gerçek zamanlı olarak görselleştirin.

Image Information aracıyla piksel değerlerini gerçek zamanlı olarak görselleştirin.

 

Topografyayı görselleştirin

Dijital yüzey modeli ve dijital arazi modeli artık otomatik olarak gölgeli rölyef olarak oluşturulur, topografyayı vurgular ve dijital yükseklik modellerinizdeki ayrıntıları görsel olarak daha net hale getirir.

Varsayılan gölgeli rölyeflerle topografyayı görselleştirin.

Varsayılan gölgeli rölyeflerle topografyayı görselleştirin.

 

Batch Project sonuçlarına hızlı erişim

Batch Processing’den sonra, proje klasörleri otomatik olarak Catalog bölmesine eklenerek proje çıktılarına daha hızlı erişim sağlar.

Batch proje sonuçlarına hızlı erişim sağlanır.

Batch proje sonuçlarına hızlı erişim sağlanır.

 

Görüntü servislerine dayalı yükseklik kaynakları

Haritadan kontrol noktası eklerken veya görüntü rakımlarını ayarlarken yükseklik kaynağı olarak mevcut görüntü servislerinizi kullanın.

Yükseklik kaynaklarınızı görüntü hizmetlerine göre kullanın.

Yükseklik kaynaklarınızı görüntü servislerine göre kullanın.

 

GPS kaynağı ayarla

GPS verilerini içe aktarmanın yanı sıra, Set GPS Source aracı, hangi GPS etiketlerinin kullanıldığını görmenize ve doğruluk ve rakım referansı gibi temel özellikleri değiştirmenize olanak tanır.

GPS meta verilerinin daha fazla kontrolü sağlanır.

GPS meta verilerinin daha fazla kontrolü sağlanır.

 

Kameranızı seçin

Doğru kamera modelini seçmek, yüksek kaliteli çıktılar elde etmek için çok önemlidir. Şimdi Edit Camera aracında, önceden kaydedilmiş birden çok kamera arasından seçim yapabilirsiniz.

Kamera veritabanındaki birden çok standart kamera modeli arasından seçim yapın.

Kamera veritabanındaki birden çok standart kamera modeli arasından seçim yapın.

 

Daha hızlı işlem motoru

Drone2Map, daha hızlı bir işleme motoruyla yükseltildi. İlk işleme ve yoğun işleme adımları, daha hızlı sonuçlar elde etmek için iyileştirildi, bu da verilerinizin işlenmesi için daha az beklemek ve sonuçlarla çalışmak için daha fazla zaman anlamına gelir.

 

 

Uludağ Kayak Bölgesi 3D Haritası Oluşturma

Uludağ Kayak Bölgesi 3D Haritası Oluşturma

Esri’nin ArcGIS Javascript yeteneklerinin gösteriminde yapmış olduğu örnek çalışma baz alınarak, Uludağ kayak alanının 3D haritasını oluşturmayı öğreneceğiz bu yazımızda.

Not: Orijinal harita ve blog sayfasına linklerden ulaşabilirsiniz.

1.      Çalışma alanının belirlenmesi

Uygulama yapacağınız alanınıza ait “extent” değerlerini “config.js” içerisinde belirleyin.

2.      Verilerin oluşturulması

Harita üzerinde gösterimini yapmak istediğiniz bina, teleferik hatları, ağaçlar, v.b. oluşturup ArcGIs Server servis URL’lerini “main.js” içerisinde tanımlamalarını yapın.

3.      Görselliğin belirlenmesi

“renderers.js” içerisinde verilerinizin görselleştirilmesi için gerekli olan “render” nesnelerini isteğinize göre değiştirebilirsiniz.

Bina verilerinin gösterimi, katman içerisinde bulunan ‘Type’ adındaki sütun verilerine göre farklılık göstermektedir. Örneğin restoran sembolü sadece ‘Type’ değeri ‘Restaurant’ olduğunda farklı şekilde gösterimi yapılmaktadır.

Restoran sembolü ise ‘restaurantSymbol’ adlı değişkende belirtilen değerlerdir.

4.      Animasyon desteği

Uygulamaya eklenen animasyon özelliği sayesinde 3D bir objenin sizin belirleyeceğiniz kural doğrultusunda x ve y değerleri hesaplanarak animasyon özelliği katılmış.

‘main.js’ içerisinde bulunana ‘positionAnimation’ ve ‘headingAnimation’ değişkenlerini hesaplayan fonksiyonlarında değişiklik yaparak, kendi konum hesaplama fonksiyonunuzu oluşturabilirsiniz.

5.      Efekt desteği

Bir başka hoş bir yetenekte ekranda kar yağma efektinin bulunması. Bu özellik CSS kullanılarak gerçekleştirilmektedir. ‘style.css’ içerisinde ‘snow’, ‘i-large’, ‘i-medium’ ve ‘i-small’ etiketlerine bakabilirsiniz.

Bu çalışmada kullanılan bina konum verileri OpenStreetMap üzerinden alınmıştır, bunun dışındaki verilere ait konumlar varsayımsal olarak ifade edilmektedir, gerçek değillerdir.

Web uygulaması ArcGIS for JavaScript kullanılarak oluşturulmuş, Esri’nin blog sayfasında belirtilen yönergeler izlenmiştir. Kullanılan 3D modeller “Google Poly” üzerinden edinilmiştir ve tüm hakları ilgili üretenlere aittir. Modeller 12345.

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

Esri Türkiye 2020

Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS varlık yönetimi, sahadan ürünlerinin toplanması, işlenmesi, analiz edilmesi ve paylaşılması gibi tüm aşamalarda çözüm sunan, bulut tabanlı bir haritalama çözümüdür. Bu süreçlere ek olarak drone filo yönetimi, uçuşların planlanması, donanım yönetimi ve uçuş / pilot geçmişinin görüntülenmesi gibi ek çözümler sağlamaktadır. Site Scan for ArcGIS, SaaS (Hizmet Olarak Yazılım) şeklinde çalıştığı için projelerin dijital kopyalarını işlemek, yönetmek ve erişim sağlamak için tüm süreç boyunca buluttan yararlanıyor olacağız. Site Scan for ArcGIS çözümünün neler yapabildiğini maddeler halinde inceleyecek olursak;

  • Proje gereksinimlerini belirlemek için drone uçuşlarını planlayabilmekteyiz.
  • Güvenli ve verimli operasyonları yürütmek için drone filomuzu yönetebilmekteyiz.
  • Drone görüntülerinden 2B & 3B ürünler ve analiz ürünleri oluşturabilmekteyiz
  • Çıktı ürünlerini ArcGIS Online, ArcGIS Enterprise ve Autodesk BIM 360’ta yayınlayabilmekteyiz.

Uçuş Planı Oluşturma

Pilotlarımızı yönetebildiğimiz için pilotlarımız arasında yönetici olarak oluşturduğumuz uçuş planlarını paylaşabiliriz. Çoğu kullanıcı uçuşları, internet bağlantısı sınırlı olan veya hiç olmayan yerlerde gerçekleştirilir. Site Scan for ArcGIS ile, haritaları ve katmanları sahada kullanmak üzere çevrimdışı olarak kaydedebilmekteyiz, yani önceden kayıt ettiğimiz haritaları, sahada çevrimdışı olarak kullanabilmekteyiz. Bunlara ek olarak 3B uçuş planları oluşturabilmekteyiz, koridor uçuş planı, dikey tarama gibi uçuş planlarını da direkt olarak kullanabilmekteyiz.

Bunlara ek olarak bir geofence alanı oluşturarak dronu, bir uçuş yolunu tanımlayan poligon içinde kalmaya zorlayabilmekteyiz. Bu seçenek, dronun bir engelden kaçınması veya uçuşa yasak bölge dışında kalması gereken durumlar için efektif çözümler sağlamaktadır.

Uçuş planlarının oluşturulması

Drone filo yönetimi

Site Scan for ArcGIS ile filo yönetimi, uçuşların planlanması, drone donanım yönetimi ve pilot / uçuş geçmişini tek bir yerden takip edebilmekteyiz. Ayrıca uçuş planlamalarını yapan yöneticiler uçuş öncesi kontrol listelerini (checklist) oluşturarak pilotlar ile paylaşabilmektedir

Uçuş planının yapılması

Bulutta verilerin işlenmesi ve son ürünlerin paylaşılması

Sahadan elde edilen veriler bulut ortamında işlenerek doğrudan 2B & 3B ürünler ve analiz ürünleri elde edebiliriz. Sonuçları doğrudan bir web tarayıcısı üzerinde kolayca görselleştirebilir ve analizler oluşturabilmekteyiz. Sonraki süreç olan içeriklerin paylaşılması aşamasında ise ister 3B görünümde ister ArcGIS Online veya ArcGIS Enterprise içinde bir rapor veya harita olarak paylaşabilmekteyiz. Ayrıca Autodesk BIM 360 üzerinde de paylaşım yapabilmekteyiz.

Son ürünlerin paylaşılması

Site Scan for ArcGIS Nasıl Çalışır ?

Site Scan for ArcGIS nasıl çalışır ?

Site Scan for ArcGIS ile uçuş planının yapılmasından son ürünün paylaşılmasına kadar olan süreci 5 adımda inceleyebiliriz.

  1. Uçuş planının oluşturulması
  2. Uçuşun gerçekleştirilmesi
  3. Ürünlerin buluta yüklenmesi ve işlenmesi
  4. Görselleştirme ve analiz çalışmalarının yapılması
  5. Sonuçların paylaşılması

Site Scan or ArcGIS, masaüstü fotogrametri yazılımlarına ek olarak, uçuş planlarını paylaşma, veri yönetimi, depolama, filo yönetimi, projelerin web ortamında paylaşılması gibi ek yeteneklere sahip kapsamlı bir çözümdür.

Esri Türkiye 2020

ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

Derin öğrenme, örnek verilerden öğrenmek için derin sinir ağlarını kullanan bir makine öğrenme tekniğidir. Tıpkı geleneksel denetimli görüntü sınıflandırması gibi, bu modeller verdiğimiz verilerde neyi arayacaklarını “öğrenmek” için eğitim örneklerini kullanır. Ancak, geleneksel bölümleme ve sınıflandırmanın aksine, derin öğrenme modelleri yalnızca tek tek piksellere veya piksel gruplarına bakmaz. Daha yüksek öğrenme kapasitesine sahiptirler ve görüntülerde çeşitli ölçeklerdeki karmaşık şekilleri, desenleri ve dokuları tanımayı öğrenebilirler. Bu, derin öğrenme modellerinin çeşitli koşullarda çok miktarda eğitim verisinden öğrenebilmesini sağlar. Eğitilen modeller daha sonra çok daha düşük bir bilgisayar hesaplama gücüyle çok daha çeşitli görüntülere uygulanabilir ve paylaştığınız kişiler tarafından yeniden kullanılabilir.

ArcGIS’te Derin Öğrenme

ArcGIS Pro’daki Image Analyst ek bileşeni, analistlerinin kullanımına özel bir Derin Öğrenme Araç Seti içerir . Bunun yanında basitleştirilmiş bir derin öğrenme paket yükleyicisi sayesinde, kütüphaneler ve modüler gibi gerekli bağımlılıklar kolaylıkla indirilebilir ve yükleme deneyimi basitleştirilmiştir. Eğer veri bilimcileri kod satırları kullanmak isterlerse, bu modelleri eğitmek için ArcGIS Pro, Enterprise ve ArcGIS Online’daki Python notebook’ları da kullanabilirler.

ArcGIS API for Python, çok çeşitli derin öğrenme modellerini kendi veri kümelerinizde eğitmeyi ve problemlerinizi çözmeyi kolaylaştıran arcgis.learn modülünü içerir . Gelişmiş CBS ve uzaktan algılama iş akışlarını destekleyen on beşten fazla derin öğrenme modeli içerir. Ek olarak, bu modeller çok çeşitli veri türlerini desteklemektedir, çeşitli türdeki görüntüler, nokta bulutları, batimetrik veriler, LiDAR, videolar, detay katmanları, tablosal veriler ve hatta yapılandırılmamış metinler bunlardan bazılarıdır.

Arcgis.learn modülündeki tüm modeller basit ve veriye duyarlı akıllı varsayılanlar sayesinde eğitilebilir. Modeller, ArcGIS’ten dışa aktarılan eğitim verilerini karmaşık bir ön işleme olmaksızın kullanır ve eğitilen modeller, modelin çıktısının sonradan işlenmesine gerek kalmadan doğrudan ArcGIS platformunda kullanılabilir.

Derin öğrenmenin son derece başarılı olduğu bir alan, görüntülerdir. Bilgisayar görüşü, bilgisayarların görüntülerdeki nesneleri görme veya tanıma becerisidir. Bu, özellikle CBS uygulamalarında çok faydalı olabilir çünkü günümüzde uydu, hava ve İHA görüntüleri, insanların üzerinde analizler uygulayıp, çıkarımda bulunabileceklerinden çok daha fazla ve hızlı üretilebilmektedir.

arcgis.learn’deki derin öğrenme modellerinin çeşitli CBS ve uzaktan algılama görevlerini gerçekleştirmek için nasıl kullanılabileceğine bakalım.

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

Arcgis.learn’deki FeatureClassifier (Detay Sınıflandırıcı) modeli, coğrafi detayları veya nesneleri görüntülerde nasıl göründüklerine göre sınıflandırmak için kullanılabilir. Bu model, ResNet, Inception veya VGG gibi görüntü sınıflandırma modellerinden yararlanır.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

CBS’de bu modeller, orman yangınlarından sonra otomatik hasar değerlendirmesi yapmak veya yüzme havuzlarını temiz veya yosun istilasına uğramış yeşil havuzlar olarak sınıflandırmak için kullanılabilir .

Hasar değerlendirme iş akışını özetleyen örnek bir notebook’a buradan ulaşabilirsiniz.

Bu model uydu görüntüleriyle çalışmasının yanı sıra, veri toplama iş akışları için sahada da kullanılabilir. Aşağıdaki örnekte, Survey123 kullanarak bir ağaç envanteri oluşturmak için bir bitki türü tanımlama modeli kullanılmaktadır. Bu tür TensorFlow Lite modellerini entegre etmeyi desteklemektedir.

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

En çok tercih edilen diğer bir model ise bir görüntüdeki her pikseli etiketlediğimiz Piksel Sınıflandırmasıdır.

Derin öğrenme dünyasında “semantik segmentasyon” olarak bilinen piksel sınıflandırması işleri, UnetClassifier modeli, PSPNetClassifier ve DeepLab (v3) gibi daha yeni modellerle birlikte ArcGIS Python API’de bulunuyor.

Arcgis.learn'ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma

Arcgis.learn’ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma.

Bu modeller, uydu görüntülerinden bina taban alanı sınırlarını ve yolları çıkarmak veya arazi örtüsü sınıflandırması yapmak için kullanılabilir. Yukarıdaki örnekteki iş için derin öğrenme modelini eğitmek yalnızca birkaç basit adımla yapılabilir ve kayda değer sonuçlar alabilirsiniz.

Bu örnek notebook, yüksek çözünürlüklü arazi örtüsü verileriyle eğitilmiş bir UnetClassifier modelini kullanır. İyi çalışsa da her pikseli bilgisayara tanıtmak için çalışan bir insan tarafından bu kadar yüksek çözünürlüklü eğitim verilerini etiketlemek zaman alıcı ve masraflı olabilir.

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması.

Python API ile seyrek olarak etiketlenmiş veriler kullanılarak bu tür modellerin eğitimi için kullanılabilirsiniz. Burada sadece birkaç alanı her bir arazi örtüsü sınıfına ait olarak etiketlememiz gerekiyor. Ardından, görüntüdeki her piksel için arazi örtüsünü bulmak için bir piksel sınıflandırma modeli eğitebiliriz.

3. Nesne Algılama

CBS’deki başka bir önemli iş ise bir görüntüdeki belirli nesneleri bulma ve konumlarını bir sınırlayıcı kutuyla işaretleme işidir. Daha çok nesne algılama olarak bilinen bu modeller, ağaçlarıkuyu yataklarınıyüzme havuzlarınıtuğla fırınları veya batimetrik verilerden gemi enkazlarını ve hatta çok daha fazlasını algılayabilir . Bu işlemleriniz için Arcgis.learn modülü SingleShotDetector, RetinaNet, YOLOv3 ve FasterRCNN gibi çeşitli nesne algılama modellerini içerir .

FasterRCNN en doğru sonuç veren modeldir ancak eğitilmesi ve çıkarım gerçekleştirmesi daha yavaştır. SingleShotDetector ve RetinaNet ise FasterRCNN tarafından kullanılan iki aşamalı yaklaşımın aksine nesneleri algılamak için tek aşamalı bir yaklaşım kullandıklarından daha hızlı modellerdir.

YOLOv3, arcgis.learn ailesindeki en yeni nesne algılama modelidir. Küçük nesneleri tespit etmede hızlı ve yüksek doğruluğa sahiptir ve Microsoft Common Objects in Content (COCO) veri kümesindeki 80 yaygın nesne türü üzerine önceden eğitilmiş olarak gelen arcgis.learn’deki ilk modeldir.

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

Bu modeller hareketli videolardaki nesneleri bile algılayabilir. Bunun örnekleri için yayın balığını İHA videolarında veya trafikte seyreden bir araca monteli akıllı telefon videoları sayesinde yollardaki çatlakları bulma örneklerinde göz atabilirsiniz.

Bunların yanında nesneleri sadece sınırlayıcı bir kutuyla değil, aynı zamanda o nesneyi kaplayan kesin bir çokgen sınırı veya raster maskeyle de tespit edip konumlandırabilirsiniz. Derin öğrenme dünyasında, bu göreve “örnek bölümleme” deniyor çünkü görev, bir nesnenin her bir örneğini bulmayı ve onu bölümlere ayırmayı içerir.

Bunun için en popüler model MaskRCNN’dir ve arcgis.learn’de bu modeli de kullanabilirsniz. Modelin özellikle yan yana olan binaların taban alanı sınırlarını çıkarma örneğindeki başarısını inceleyebilirsiniz.

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

Örnek olarak 3B binaları havadan kaydedilmiş LIDAR verilerinden yeniden inşa etmek için MaskRCNN’in kullanıldığı bir örnek için bağlantıya tıklayabilirsiniz.

4. Nokta Bulutu Bölümlemesi

3 Boyutlu çalışmalarınız için arcgis.learn modülünde bir 3B derin öğrenme desteği de bulunuyor.

PointCNN modeli nokta bulutu bölümlemesi için kullanılabilir. Bu görevde, nokta bulutundaki her noktaya, gerçek dünyadaki bir varlığı temsil eden bir etiket atanır.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

Bu model, ham nokta bulutlarından binalar, zemin ve ağaçlar çıkararak 3B altlık haritaları oluşturmak için kullanılabilir. Diğer bir örnek ise havadan toplanmış LiDAR nokta bulutundan güç hatlarını ve elektrik direklerini çıkarmaktır. Vejetasyona temas eden kabloların tespit edilmesi ve kaçak kullanımları belirlemek bu model olmadan yapıldığında çok yoğun emek isteyen bir iştir.

5. Görüntü Geliştirme

Şimdiye kadar, görüntülerden ve nokta bulutlarından bilgi çıkarmanın birkaç örneğinde bahsettik. Bu işlerin yanında bir de düşük kaliteli raster verilerden daha yüksek çözünürlüklü görüntü sentezlemenizi sağlayan SuperResolution modeli de arcgis.learn bulunuyor. Bu model görüntülerinin görselleştirme kalitesini artırmanın yanı sıra görüntü yorumlanabilirliğini iyileştirmek için kullanılabilir.

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

Bu model polisiye filmlerde görmeye alışık olduğumuz “Yakınlaştır! Geliştir!” işlevini ArcGIS’e getiriyor! Düşük çözünürlüklü ve bulanık görüntüleri girdi olarak kullanabilir ve bunları yüksek kaliteli, yüksek çözünürlüklü görüntülere dönüştürebilirsiniz. Model gerçekçi doku ve detaylar ekleyerek, simüle edilmiş yüksek çözünürlüklü görüntüler üretir. Yukarıdaki ekran görüntüsüne bu işlemi yapan örnek notebook’a buradan ulaşabilirsiniz.

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

Derin öğrenmenin sadece görüntüler ve 3B veriler üzerinde çalışıyor gibi gelmiş olabilir. Bunun dışında da derin öğrenmeden fayadalanabiliyoruz. Derin sinir ağları, özellik katmanları ve tablo verileri üzerinde en az onlarda olduğu kadar iyi sonuçlar verir.

FullyConnectedNetwork modeliyle, detay katmanı veya raster verinizin tablosal değerlerini derin sinir ağlarında kullanabilirsiniz. Bu model ile biyoklimatik faktörlere göre bir hastalığa duyarlı alanları sınıflandırabilir veya hava faktörlerine bağlı olarak güneş enerjisi santrallerinin verimliliğini tahmin edebilirsiniz.

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

Yukarıdaki grafikte mavi çizgi gerçek güneş enerjisi üretimini gösterir ve turuncu çizgi FullyConnectedNetwork modelinden tahmin edilen değerleri göstermektedir.

7. Yapılandırılmamış Metinden Varlık Çıkarma

Mekânsal veriler her zaman coğrafi veri tabanları ve Shapefile olarak düzgün bir şekilde paketlenmiş olarak gelmeyebilir. Genellikle saha ekipleri tarafından raporlar gibi yapılandırılmamış bir metin biçimde saklanırlar. Bu verileri mekânsal analizlerde kullanmak için, bunları detay katmanları gibi yapılandırılmış, standartlaştırılmış bir biçime dönüştürmeniz gerekir. Ancak, yapılandırılmamış metinleri okumak ve dönüştürmek zor ve zaman alıcıdır.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Derin Öğrenme, doğal dil işlemede çok ilerleme kaydetmiştir ve arcgis.learn’de bulunan EntityRecognizer modeli ile yapılandırılmamış metinden anlamlı mekânsal bilgiler elde edebilirsiniz.

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

Bu Notebook ile binlerce örnek polis raporunun bulunduğu yapılandırılmamış metin dosyasından bilgileri çekmek için bu modeli nasıl kullanabileceğinizi ve suç mahallerinin bir haritasını çıkarabileceğinizi öğrenebilirsiniz.

Diğer Modeller

Derin öğrenme alanı her geçen gün yepyeni gelişmeler gösteriyor. arcgis.learn’ın bu kadar çok modeli desteklemesinin yanında yine de yeni çıkacak başka modellere de ihtiyacınız olabilir.

Arcgis.learn’e, harici modelleri entegre edebilmeniz için genişletilebilirlik desteği eklendi. ModelExtension sınıfı herhangi başka bir nesne algılama modelini arcgis.learn’e entegre etmenizi sağlar. Model daha sonra ArcGIS tarafından dışa aktarılan eğitim verilerini doğrudan kullanabilir ve kaydedilen modeller ArcGIS derin öğrenme paketleri olarak kullanıma hazır hale gelir. Harici modelleri arcgis.learn ile entegre etmek, bu tür modelleri diğer modeller tarafından kullanılan aynı basit ve tutarlı API ile eğitmenize yardımcı olacaktır.

Ayrıca arcgis.learn , yeni MLModel sınıfını kullanarak ArcGIS’i popüler scikit-learn kitaplığındaki herhangi bir tahmin veya sınıflandırma modeliyle entegre etmenize de olanak sağlar.

Neden bu kadar çok model var?

Derin öğrenme, her ay çıkan yenilikler ve yeni modellerle hızla gelişen bir alandır ve Esri uzmanları bu yenilikleri aynı hızda ArcGIS’e getirerek, CBS’ye derin öğrenme yöntemlerini uygulamada, en yeni ve en iyi modelleri sunarak güncel kalmanızı sağlar.

Her modelin güçlü yönleri vardır ve belirli görevler için daha uygundur. Örneğin Nesne Algılamayı ele alırsak, FasterRCNN en iyi sonuçları verir, YOLOv3 en hızlıdır, SingleShotDetector iyi bir hız ve doğruluk dengesi sağlar ve RetinaNet küçük nesnelerle çok iyi çalışır.

Farklı modellerin bellek için farklı gereksinimleri vardır ve eğitim ve çıkarım hızları farklıdır. Daha büyük modelli daha derin sinir ağları daha doğru sonuçlar verir, ancak çok daha fazla belleğe ve daha uzun eğitim süreçlerine ihtiyaç duyar. Yeterince eğitebilmek için de daha büyük veri kümelerine ihtiyacınız vardır.

Bazı modeller ise hafiftir ve cep telefonları gibi mobil cihazlarda kullanım için daha uygundur.

Yetenekli zanaatkarların araç kutularındaki her bir araç hakkında bilgi sahibi olması gibi, yetenekli veri bilimcileri de her modeli benzersiz özelliklerine göre anlar ve çözülmesi gereken sorun bağlamında uygularlar.

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

İçinde yukarıda bahsettiğimiz derin öğrenme ve nesne tespiti örneklerini de uygulayabileceğiniz, mekânsal veri ve veri bilimine dair bir ücretsiz eğitimimiz yakında geliyor.

Mekansal Veri Bilimi Mooc

Ücretsiz olmasının yanında ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, Image Analyst, Spatial Analyst gibi bir çok ürüne de eğitiminiz sırasında ücretsiz sahip olacaksınız.

Udemy platformu üzerinden tamamen Türkçe olarak gelecek ay yayınlamayı planlıyoruz. Haberler için bizi takip edin.

Kaynak:

https://www.esri.com/arcgis-blog/products/api-python/analytics/deep-learning-models-in-arcgis-learn/

Esri Türkiye, 2020