Vahinkojen arviointi käyttämällä Amazon SageMakerin geospatiaalisia ominaisuuksia ja mukautettuja SageMaker-malleja

Tässä viestissä näytämme, kuinka kouluttaa, ottaa käyttöön ja ennustaa luonnonkatastrofien aiheuttamia vahinkoja Amazon SageMaker geospatiaalisilla ominaisuuksilla. Käytämme SageMakerin uusia geospatiaalisia ominaisuuksia luodaksemme uusia päätelmätietoja mallin testaamista varten. Monet hallituksen ja humanitaariset organisaatiot tarvitsevat nopeaa ja tarkkaa tilannetietoa katastrofin sattuessa. Vahingon vakavuuden, syyn ja sijainnin tunteminen voi auttaa ensiapuhenkilön vastausstrategiassa ja päätöksenteossa. Tarkkojen ja oikea-aikaisten tietojen puute voi edistää epätäydellisiä tai väärin suunnattuja avustustoimia.

Luonnonkatastrofien esiintymistiheyden ja vakavuuden lisääntyessä on tärkeää, että annamme päättäjille ja ensiapuhenkilöille nopean ja tarkan vahinkoarvioinnin. Tässä esimerkissä käytämme geospatiaalisia kuvia ennustaaksemme luonnonkatastrofien aiheuttamia vahinkoja. Geospatiaalista tietoa voidaan käyttää välittömästi luonnonkatastrofin jälkeen rakennusten, teiden tai muun kriittisen infrastruktuurin vaurioiden tunnistamiseen nopeasti. Tässä viestissä näytämme, kuinka voit kouluttaa ja ottaa käyttöön geospatiaalisen segmentointimallin, jota käytetään katastrofivahinkojen luokittelussa. Jaamme sovelluksen kolmeen aiheeseen: mallikoulutus, mallin käyttöönotto ja päättely.

Malliharjoittelu

Tässä käyttötapauksessa rakensimme mukautetun PyTorch-mallin käyttämällä Amazon Sage Maker rakennusvaurioiden kuvasegmentointiin. SageMakerin geospatiaaliset ominaisuudet sisältävät koulutettuja malleja, joita voit käyttää. Nämä sisäänrakennetut mallit sisältävät pilvisegmentoinnin ja -poiston sekä maanpeitteen segmentoinnin. Tätä viestiä varten koulutamme mukautetun mallin vaurioiden segmentointiin. Koulutimme ensin SegFormer-mallin xView2-kilpailun tiedoilla. SegFormer on muuntajapohjainen arkkitehtuuri, joka esiteltiin vuoden 2021 julkaisussa SegFormer: Yksinkertainen ja tehokas suunnittelu semanttiseen segmentointiin muuntajilla. Se perustuu muuntaja-arkkitehtuureihin, jotka ovat melko suosittuja luonnollisen kielen prosessointityökuormien kanssa; SegFormer-arkkitehtuuri on kuitenkin rakennettu semanttista segmentointia varten. Se yhdistää sekä muuntajapohjaisen kooderin että kevyen dekooderin. Tämä mahdollistaa paremman suorituskyvyn kuin aikaisemmat menetelmät ja tarjoaa samalla huomattavasti pienemmät mallikoot kuin aikaisemmat menetelmät. Sekä esikoulutetut että kouluttamattomat SegFormer-mallit ovat saatavilla suositusta Hugging Face -muuntajakirjastosta. Tätä käyttötapausta varten lataamme valmiiksi koulutetun SegFormer-arkkitehtuurin ja koulutamme sen uudelle tietojoukolle.

Tässä esimerkissä käytetty tietojoukko on peräisin xView2 datatieteen kilpailu. Tämä kilpailu julkaisi xBD-tietojoukko, yksi suurimmista ja laadukkaimmista julkisesti saatavilla olevista korkearesoluutioisista satelliittikuvista, joihin on merkitty rakennuksen sijainti ja vahinkopisteet (luokat) ennen ja jälkeen luonnonkatastrofeja. Tietojoukko sisältää tietoja 15 maasta, mukaan lukien kuuden tyyppisestä katastrofista (maanjäristys/tsunami, tulva, tulivuorenpurkaus, maastopalo, tuuli) sekä geospatiaalista tietoa, joka sisältää 6 850,736 rakennusmerkintää 45,362 2 km^XNUMX kuvassa. Seuraava kuva näyttää esimerkin tietojoukosta. Tässä kuvassa näkyy katastrofin jälkeinen kuva rakennusvaurioiden segmentointimaskin päällä. Jokainen kuva sisältää seuraavat: katastrofia edeltävä satelliittikuva, katastrofia edeltävä rakennuksen segmentointimaski, katastrofin jälkeinen satelliittikuva ja katastrofin jälkeinen rakennuksen segmentointimaski vahinkoluokkineen.

Tässä esimerkissä käytämme vain katastrofia edeltäviä ja sen jälkeisiä kuvia ennustaaksemme katastrofin jälkeisten vahinkojen luokittelua (segmentointimaski). Emme käytä katastrofia edeltäviä rakennusten segmentointimaskeja. Tämä lähestymistapa valittiin yksinkertaisuuden vuoksi. On muitakin vaihtoehtoja lähestyä tätä tietojoukkoa. Useat xView2-kilpailun voittaneet lähestymistavat käyttivät kaksivaiheista ratkaisua: ensin ennustaa katastrofia edeltävän rakennuksen ääriviivan segmentointimaski. Rakennuksen ääriviivoja ja vahinkojen jälkeisiä kuvia käytetään sitten syötteenä vahinkoluokituksen ennustamiseen. Jätämme tämän lukijan tehtäväksi tutkia muita mallinnusmenetelmiä luokituksen ja havaitsemisen tehokkuuden parantamiseksi.

Esiopetettu SegFormer-arkkitehtuuri on rakennettu hyväksymään yksittäinen kolmivärinen kanavakuva syötteenä ja tulostaa segmentointimaskin. On olemassa useita tapoja, joilla olisimme voineet muokata mallia niin, että se hyväksyisi sekä satelliittia edeltävät että sen jälkeiset kuvat, mutta käytimme yksinkertaista pinoamistekniikkaa pinoaksemme molemmat kuvat yhteen kuuden värin kanavakuvaksi. Koulutimme mallin käyttämällä tavallisia lisäystekniikoita xView2-koulutustietojoukossa ennustaaksemme katastrofin jälkeisen segmentointimaskin. Huomaa, että muutimme kaikkien syötettyjen kuvien kokoa 1024 pikselistä 512 pikseliin. Tämän tarkoituksena oli edelleen vähentää harjoitustietojen spatiaalista resoluutiota. Malli koulutettiin SageMakerilla käyttämällä yhtä p3.2xlarge GPU-pohjaista esiintymää. Esimerkki koulutetun mallin tuotosta on esitetty seuraavissa kuvissa. Ensimmäiset kuvat ovat vahvistussarjan vauriota edeltävät ja jälkeiset kuvat.

Seuraavissa kuvissa näkyy ennustettu vauriomaski ja maanpinnan totuusvauriomaski.

Ensi silmäyksellä näyttää siltä, ​​​​että malli ei toimi hyvin pohjatotuusdataan verrattuna. Monet rakennukset on luokiteltu väärin, mikä sekoittaa pienet vauriot ilman vaurioita ja näyttää useita luokituksia yhdelle rakennuksen ääriviivalle. Yksi mielenkiintoinen havainto mallin suorituskykyä tarkasteltaessa on kuitenkin se, että se näyttää oppineen lokalisoimaan rakennusvaurioiden luokituksen. Jokainen rakennus voidaan luokitella No Damage, Minor Damage, Major Damagetai Destroyed. Ennustettu vauriomaski osoittaa, että malli on luokitellut keskellä olevan suuren rakennuksen enimmäkseen No Damage, mutta oikea yläkulma on luokiteltu Destroyed. Tämä osarakennuksen vaurioiden paikallistaminen voi auttaa vastaajia lisää näyttämällä paikalliset vauriot rakennuskohtaisesti.

Mallin käyttöönotto

Koulutettu malli otettiin sitten käyttöön asynkroniseen SageMaker-päätelmäpäätepisteeseen. Huomaa, että valitsimme asynkronisen päätepisteen mahdollistaaksemme pidemmät päättelyajat, suuremmat hyötykuorman syöttökoot ja mahdollisuuden skaalata päätepiste nollaan esiintymään (ei maksuja), kun sitä ei käytetä. Seuraava kuva näyttää korkean tason koodin asynkroniselle päätepisteen käyttöönotolle. Pakkaamme ensin tallennetun PyTorch-tilasanakirjan ja lataamme pakatut mallin artefaktit kohteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Luomme SageMaker PyTorch -mallin, joka osoittaa päätelmäkoodimme ja malliartefakteihimme. Johtokoodi tarvitaan mallimme lataamiseen ja palvelemiseen. Lisätietoja vaaditusta mukautetusta päättelykoodista SageMaker PyTorch -mallille on kohdassa Käytä PyTorchia SageMaker Python SDK: n kanssa.

Seuraavassa kuvassa on asynkronisen päättelyn päätepisteen automaattisen skaalauskäytännön koodi.

Huomaa, että sovelluksessasi voidaan käyttää muita päätepistevaihtoehtoja, kuten reaaliaikainen, erä ja palvelinton. Sinun kannattaa valita käyttötapaukseen parhaiten sopiva vaihtoehto ja muistaa se Amazon SageMakerin päätelmäsuositus on saatavilla suosittelemaan koneoppimisen (ML) päätepistemäärityksiä.

Mallin päättely

Kun koulutettu malli on otettu käyttöön, voimme nyt käyttää SageMaker geospatiaaliset ominaisuudet kerätä tietoja päätelmiä varten. SageMakerin geospatiaalisten ominaisuuksien ansiosta useita sisäänrakennettuja malleja on saatavana heti valmiina. Tässä esimerkissä käytämme nauhapinoamistoimintoa punaisten, vihreiden ja sinisten värikanavien pinoamiseen maanhavainnointityössämme. Työ kerää tiedot Sentinel-2-tietojoukosta. Maanhavainnointityön määrittämistä varten tarvitsemme ensin kiinnostavan sijainnin koordinaatit. Toiseksi tarvitsemme havainnon aika-alueen. Tämän avulla voimme nyt lähettää maanhavainnointityön pinoamisominaisuuden avulla. Pinoamme tähän punaiset, vihreät ja siniset nauhat värikuvan tuottamiseksi. Seuraavassa kuvassa on esitetty työkokoonpano, jota käytettiin tietojen tuottamiseen Australian Rochesterin tulvista lokakuun puolivälissä 2022. Käytämme kuvia ennen ja jälkeen katastrofia koulutetun ML-mallimme syötteenä.

Kun työn kokoonpano on määritetty, voimme lähettää työn. Kun työ on valmis, viemme tulokset Amazon S3:een. Huomaa, että voimme viedä tulokset vasta työn valmistuttua. Työn tulokset voidaan viedä Amazon S3 -sijaintiin, jonka käyttäjä on määrittänyt vientityömäärityksessä. Nyt Amazon S3:n uusilla tiedoillamme voimme saada vahinkoennusteita käyttöönotetun mallin avulla. Luemme ensin tiedot muistiin ja pinoamme ennen ja jälkeen katastrofia olevat kuvat yhteen.

Rochesterin tulvien segmentointimaskin tulokset näkyvät seuraavissa kuvissa. Tästä voimme nähdä, että malli on tunnistanut tulva-alueen paikat todennäköisesti vahingoittuneiksi. Huomaa myös, että päättelykuvan spatiaalinen resoluutio on erilainen kuin harjoitusdatan. Tilaresoluution lisääminen voisi auttaa mallin suorituskyvyssä; Tämä on kuitenkin vähemmän ongelma SegFormer-mallille kuin muille malleille monimittakaavaisen malliarkkitehtuurin vuoksi.

Vahinkojen arviointi

Yhteenveto

Tässä viestissä näytimme, kuinka kouluttaa, ottaa käyttöön ja ennustaa luonnonkatastrofien aiheuttamia vahinkoja SageMaker geospatiaalisilla ominaisuuksilla. Käytimme SageMakerin uusia geospatiaalisia ominaisuuksia luodaksemme uutta päättelytietoa mallin testaamiseksi. Tämän viestin koodia julkaistaan ​​parhaillaan, ja tämä viesti päivitetään linkeillä koko koulutus-, käyttöönotto- ja päättelykoodiin. Tämän sovelluksen avulla ensiapuhenkilöt, hallitukset ja humanitaariset organisaatiot voivat optimoida reagointinsa ja tarjota kriittistä tilannetietoisuutta välittömästi luonnonkatastrofin jälkeen. Tämä sovellus on vain yksi esimerkki siitä, mikä on mahdollista nykyaikaisilla ML-työkaluilla, kuten SageMaker.

Kokeile SageMakerin geospatiaalisia ominaisuuksia jo tänään käyttämällä omia mallejasi; odotamme innolla, mitä rakennat seuraavaksi.

Kirjailijasta

Aaron Sengstacken on koneoppimisen asiantuntijaratkaisujen arkkitehti Amazon Web Servicesissä. Aaron tekee tiivistä yhteistyötä kaikenkokoisten julkisen sektorin asiakkaiden kanssa kehittääkseen ja ottaakseen käyttöön tuotantokoneoppimissovelluksia. Hän on kiinnostunut kaikesta koneoppimisesta, teknologiasta ja avaruustutkimuksesta.