极海盒子，深度学习好助手

极海盒子现已上线，点击“阅读原文”，申请试用吧

8月22日，由极海主办的2019决策智能化转型峰会在北京圆满落幕，以“数据化决策”为主题，本次峰会主办方极海核心技术总监王帅做了现场分享。以下为演讲实录：

近几年深度学习在非常多的领域都取得了显著的突破，比如在汽车领域支撑起了辅助驾驶、自动驾驶；在互联网领域各种美颜、推荐算法都离不开深度学习等等；甚至连肿瘤的预判都用上了这些技术。

那在我们地理领域，用到最多的就是图像、遥感影像方面，而这也是深度学习最强的地方，也正是因为其具有突出的价值，值得我们每个人去学习它，掌握它。

但是我们普通人想要学习深度学习，并将它运用到自己的日常工作中，是一件非常困难的事情，因为它的学习曲线是非常高的。你像攀登一座山峰一样不停的往上爬，你要花大量的时间去学习一大堆深度学习相关的专业知识，比如梯度下降、cnn、rnn、池化、动态图、静态图等等；

同时你还得学Python这门编程语言，那又是一个非常大的课程，那同时还有linux、部署等内容要学；这其中涉及到的知识范围不仅深，而且范围广。想要把这些内容都掌握住，不花个一年半载去专门学习，那只能停留在概念阶段，离实际应用还非常的远。

事实上，我们可以通过极海盒子将这些复杂的内容简化掉，简化为只有三步，就像有个经典的段子说的，把大象放进冰箱需要几步，第一步打开冰箱门，第二步把大象塞进去，第三步把冰箱门关上；同样的在极海盒子中进行深度学习也是这么高效，我们是这么做的——

第一步准备训练样本，在极海盒子中可以将大范围的影像和矢量标签数据转换成深度学习所需要的格式，方便我们快速的对接到深度学习框架和网络中；

第二步是训练你的模型，在盒子中能够方便快捷的训练模型，只要改几行配置文件就行，而不再纠结每一行神经网络代码；

第三步是预测你的结果，有了训练好的模型后，只要点点鼠标就可以把结果预测出来。

那在介绍具体功能之前，先来看看深度学习在图像领域能做什么，其实说到底，我们用深度学习去做图像相关的事情，比如和卫星影像、和无人机拍摄的影像等工作，那么归根结底够，都可以划分到这四种类型中去。

·图像分类：就是告诉你图像中有什么，就像左上角那个图，可以告诉你这里面有人、有绵羊，有狗；

·目标检测：就是把每个物体用一个矩形的框框标记出来；那么再细一点就是语义分割：把图像中的每个像素都标记成一种类型；

·实例分割：这可以看做是目标检测和语义分割两者的结合，不仅仅要标记每个像素的类别，还得告诉我同一类别中，每一个独立的个体在哪儿；当然从左到右也是越来越复杂，难度也是越来越高。

那有了这样的背景知识之后，我们可以开始深度学习之旅了。

首先在样本准备的过程中，你只需要准备好你的数据集，数据集中包含影像数据，和你想要识别的地物所在的具体位置，你就可以很简单的用盒子来适配上面的四种场景。

比方说在图像分类场景下，你只要提供地物的POI点，和影像即可，甚至如果你没有影像，我们可以从互联网地图上去提取POI点位置所在的卫星影像，作为训练样本；

再比如你要做建筑物轮廓的提取，你只要提目标区域的影像和建筑物矢量轮廓的标签即可。通过这个工具生成的数据，就可以与我们后面的深度学习框架无缝衔接了。

这里我们来看看这个建筑物语义分割的例子，并用它来贯串整个流程，假设你手中有一份面积为140km2大，分辨率为0.3米的影像，以及对应的建筑物矢量轮廓数据，你要做的是，将盒子通过USB连接到你的个人电脑上，把你这两个数据传输到盒子中，然后登录到盒子中，就可以开展我们的数据准备工作。

我这里现在已经登录上来了。

这里我们把数据都放在了sample_project这个目录下，然后执行红色框框里面的命令，就可以快速生成语义分割所需要的样本。可以看到，工具会把大的影像裁剪成一小块一小块的图片，将矢量数据也转化成图片，生成可直接可供GPU输入的数据，等待一会儿之后，就生成了可供训练和测试的train.txt，val.txt，这样，我们的训练样本就准备完成了。

那么有了训练数据之后，就可以开展深度学习模型的训练过程，在训练这一步，我们在盒子里提供了一键训练的工具，提供了丰富的、前沿的深度学习网络供你选择，比如说maskrcnn、resnet、deeplabv3，还有高效的可视化工具。

来看看怎么开始一个训练，你要做的就是修改这个配置文件中样本数据所在的路径，也就是上一步准备好的那个路径所在地，然后执行红色框中的这个命令，按个回车就可以开始训练，这里可以看到开始训练之后，每一步执行的损失值都会打印出来，如果你觉得这样一直等着看太麻烦，没关系。

你还可以打开你电脑的浏览器，在浏览器中，通过可视化的界面，查看训练过程中的各种指标参数，比如刚才打印的训练过程中的损失值，在验证集上各类地物的精度、IOU等指标，除此之外，还可以查看到模型在测试集上每个图片的实时预测效果，简单方便。

在模型方面，针对图像分类、目标检测、语义分割，我们在盒子里都提供了大量的、经过实践的效果比较好的模型，像UNet101适合在建筑物，土地利用类型分类这种场合；DenseNet在分类的效果中速度又快效果又好，MS-RCNN在农田地块的提取中效果非常的出众。

这些即拿即用的网络大大并降低了使用深度神经网络的门槛，让大家能够专注于具体业务，而不是每一行神经网络代码细节。

模型训练好了之后，预测也可以用一个命令去完成，在盒子里面，我们将其集成到了界面中，比如刚才的建筑物提取，指定一幅影像就可以预测它的结果，并将其通过浏览器页面可视化出来。

模型训练好了之后，预测也可以用一个命令去完成，在盒子里面，我们将其集成到了界面中，比如刚才的建筑物提取，指定一幅影像就可以预测它的结果，并通过盒子中的【看数据】模块将其展现出来。

那么利用这样一套三步走的工具集，我们在各种业务中开展了非常多的应用，比如利用语义分割一套工具集，我们训练了城乡建设用地模型，并利用该模型在哨兵2号影像上，完成了全国200多个城市的提取工作。

那么这个是利用实例分割在美国堪萨斯州提取的玉米结果，这与美国农业部公布的结果相比，准确率可以达到93%。

当然还有很多其它案例，比如从无人机影像中提取目标车辆，从高分辨率影像中提取油储罐，从哨兵影像中提取农田地块等等，除了直接提取结果外，我们还可以通过对比个时间段的结果，了解不同时间的变化情况，这一方法可以用于动态的变化监测。

现在可以看到，使用极海盒子做深度学习一点都不难。

当然，如果说深度学习是汽车，那么训练数据就是石油，如果你没有可供训练的数据，没关系，我们在盒子中那么针对图像分类、目标检测、语义分割等四种场景，

提供了非常丰富的、即拿即用的各种数据，有多达50多GB的影像和矢量样本，涵盖60余中地物类型比如，道路、建筑物、油储罐等等，帮助您快速上手深度学习相关功能，甚至说直接开展常见的业务。

在极海盒子中，我们有深度学习三步走的工具，以及丰富的数据，是您不可或缺的深度学习好助手，谢谢大家！

点击阅读原文，了解极海更多行业探索