Resim Tahminleri

Earth Engine, Vertex AI'da barındırılan modellere bağlayıcı olarak ee.Model sağlar. Bu bağlayıcı, görüntü veya tablo verilerini online tahmin istekleri olarak Vertex AI uç noktasında dağıtılan eğitilmiş bir modele gönderir. Model çıktıları daha sonra Earth Engine görüntüleri veya tabloları olarak döndürülür.

ee.Model.predictImage

Barındırılan bir model kullanarak ee.Image üzerinde tahmin yapmak için model.predictImage() aracını kullanın. ee.Image, bantların karolarını (görüntü parçası) oluşturmak için kullanılır. Bu karolar daha sonra barındırılan modele gönderilir. predictImage() işlevinin dönüş türü, haritaya eklenebilen, dışa aktarılabilen veya diğer hesaplamalarda kullanılabilen bir ee.Image nesnesidir.

Giriş seçenekleri

ee.Image üzerinde çıkarım yaparken ee.Model bağlayıcısında kullanılan bir dizi parametre vardır. Bu kontroller giriş bantları ve özellikleri, giriş görüntüsü parça döşemesi, çıkış görüntüsü parça boyutu ve çıkış görüntüsü bantları içindir.

Bantlar ve Özellikler

Giriş bantlarını ve özelliklerini belirtmek için aşağıdaki parametreleri kullanın:

inputProperties

inputProperties, her tahmin örneğine yönlendirilecek özellik adlarının listesidir. Sayısal, dize ve boole özellikleri desteklenir.

inputTypeOverride

inputTypeOverride, belirli tür ve boyut bilgileri sağlanan özellik ve/veya bant adlarının bir sözlüğüdür. Birçok Earth Engine algoritması, çalışma zamanına kadar tahmin edilemeyen dinamik türlere sahip çıkışlar oluşturduğundan bu işlem gerekli olabilir.

Örneğin, ee.Terrain.slope işlevini bir koleksiyonla eşleyerek "slope" (eğim) hesaplıyorsanız çıkarım girişlerimizde "slope" (eğim) çıkış türünü şu şekilde belirtmeniz gerekir:

inputTypeOverride = {
  "slope": {
    "type": "PixelType",
    "precision": "float",
    "dimensions": 0,
    "min": -100.0,
    "max": 100.0
  }
}

İPUCU: Bir bandın veya özelliğin "tensöre dönüştürülemediğini" belirten bir hata mesajıyla karşılaşırsanız olası bir çözüm, girişi belirli bir türe zorlamak için tür geçersiz kılma kullanmaktır.

inputShapes

inputShapes, bant adları ve dizi piksel şeklinin bir sözlüğüdür. Modelinize uzunluğu 1'den büyük olan dizi değerli pikseller göndermek için inputShapes bağımsız değişkenini ayarlayın. Bağımsız değişken, inputTypeOverride ile benzerdir ancak görüntü tahminleri için giriş bandı şekillerine özeldir. Örneğin, üç bandı kodlamak için (1) "ndvi_series" 12 değer içeren 1D zaman serisi olarak, (2) "temp" skaler olarak ve (3) "patch" 2D piksel dizisi olarak aşağıdaki kodu kullanın:

inputShapes = {
  "ndvi_series": [12],  # 12 ndvi samples
  "temp": [], # scalar
  "patch": [2, 2], # 2px * 2px patch
}

outputBands

outputBands, çıkış bandı adlarının, bandın ee.PixelType ve boyutlarını içeren bir nesneye eşlendiği bir sözlüktür. Burada boyutlar, tensör şekli dizisinin uzunluğuyla aynı olmalıdır. Başka bir deyişle, () şekline sahip skaler verilerin boyutu 0, (N) şekline sahip 1D verilerin boyutu 1, (N, M) şekline sahip 2D verilerin boyutu 2 olmalıdır. Örneğin, şekle sahip dizi değerli pikseller içeren "B1" adlı bir çıkış bandı aşağıdaki gibi belirtilir:

outputBands = {
  'B1': {'type': ee.PixelType.float(), 'dimensions': 1}
}

Karo Boyutları

Aşağıdaki parametreleri kullanarak resmin nasıl döşeneceğini kontrol edebilirsiniz:

  • inputTileSize
  • inputOverlapSize
  • outputTileSize

Giriş Karo Boyutları

Giriş karosu boyutlarını ayarlamak için inputTileSize ve inputOverlapSize tuşlarını kullanın. Bu parametreleri, piksel cinsinden bir karo genişliği ve yüksekliği çifti (ör. [32, 32]) sağlayarak ayarlayın. Toplam yama boyutu, inputTileSize ve outputTileSize yükseklik ve genişlikleri toplanarak belirlenir.

Örneğin, tamamen evrişimli bir model, (256 x 256 x Kanallar) şeklinde girişler bekleyebilir. Çıkarım sonuçları arasındaki kenar etkileriyle ilgili endişelerimiz varsa her çıkarım sonucunun sol ve sağ tarafından inputOverlapSize[0] piksel, üst ve alt tarafından ise inputOverlapSize[1] piksel çıkarabiliriz. Bu da tahmin alanını tam olarak kapsamak için daha fazla tahmin çağrısı yapılmasına neden olur.

Örneğin, modelimiz (256 x 256 x 3) bekliyorsa ve 32 kenarlık pikselini silmek istiyorsak aşağıdakileri belirtiriz:

ee.Model({
  "endpoint": endpoint,
  "inputTileSize": [192, 192],
  "inputOverlapSize": [64, 64],
  # rest omitted.
}

NOT: inputOverlapSize, toplam x ve y örtüşmesidir. Tüm resmin etrafında N piksellik bir tampon bölge olmasını istiyorsanız çakışma [2N, 2N] olur.

Çıkış Karo Boyutu

Çıkış karo boyutunu ayarlamak için outputTileSize bağımsız değişkenini ayarlayın. outputTileSize ayarlanmazsa varsayılan karo boyutu inputTileSize ile aynı olur.

Bazı modellerde çıkış boyutu, giriş boyutundan farklı olabilir. Örneğin, bir sınıflandırma modeli (256, 256, Kanallar) şekilli girişleri kabul edebilir ancak (1, 1, 1) şekilli tensörler döndürebilir. Bu durumda outputTileSize, [1, 1] olarak ayarlanmalıdır. Bu, bazı karo özelliklerinin olasılık çıkışını (daha düşük çözünürlükte) döndüren modellerde oldukça yaygındır.

Projeksiyon

Neredeyse tüm evrişimli modeller, sabit bir projeksiyonun girişini bekler. Bunun nedeni, çoğu evrişimli modelin sabit bir ölçekte eğitilmesidir. Bu durumda, ee.Model.fromVertexAi() çağrınızda fixInputProj parametresini true olarak ayarlayın ve proj parametresinde verilerin projeksiyonunu belirtin.

Giriş görüntüsünün projeksiyonu ve modelin sabit projeksiyonu, çıkış değerlerini etkiler. EE Reprojection (EE Yeniden Projelendirme) kılavuzuna bakın.