ENVI Deep Learning

ENVI Deep Learning es un módulo complementario comercial para el software de análisis de imágenes ENVI de NV5 Geospatial que lleva el aprendizaje profundo a imágenes obtenidas por sensores remotos sin necesidad de programación. Entrenar modelos útiles generalmente requiere habilidades en ciencia de datos y código; el módulo, en cambio, proporciona un mapa guía y una herramienta de etiquetado en la que los analistas etiquetan ejemplos con regiones de interés, anotaciones o conjuntos de datos COCO, y luego entrenan modelos con unos pocos clics.

La versión 4.0 entrena modelos ONNX con siete arquitecturas integradas para segmentación de píxeles (SegUNet++, SegUNet, DeepLabV3+), detección de objetos (RT-DETRV2 Pequeño y Grande) y detección en cuadrícula (ResNet50V2, ResNet101V2), y también puede ejecutar modelos ONNX entrenados en otros entornos, por ejemplo en PyTorch o TensorFlow. El preprocesamiento de ENVI (calibración, corrección atmosférica, transformaciones de color) prepara entradas consistentes, y los usuarios pueden añadir índices espectrales o capas de elevación para fortalecer los clasificadores. Las salidas incluyen rásters de clasificación, mapas de activación de clases, ROI, shapefiles y GeoJSON.

El módulo soporta imágenes terrestres, de UAV, aéreas y espaciales. NV5 lo muestra extrayendo nuevas aguas de inundación a partir de datos Sentinel-1 SAR y detectando aeronaves en imágenes SkySat de 0.5 m. La Universidad de Corea lo utilizó con composiciones estacionales de Sentinel-2 para mapear bosques de coníferas y de hoja ancha en toda Corea del Sur para informes nacionales de gases de efecto invernadero, alcanzando un 83.13% de precisión global. Construido sobre el marco ENVI Task, los clasificadores entrenados pueden ejecutarse en escritorios, servidores locales o en la nube; una edición Runtime ejecuta inferencias sin una licencia separada de Deep Learning, y los modelos pueden compartirse a través del Analytics Repository. Funciona en Windows y Linux; el entrenamiento requiere una GPU NVIDIA CUDA, mientras que la clasificación puede ejecutarse en GPU o CPU.