地图
地图
链接复制成功！
功能介绍
系统登录
- 在浏览器中输入https://engine.piesat.cn/ai/samplelabel/#/链接，进入系统登录界面，如下图所示。
图1 系统登录界面1
图2 系统登录界面2
- 系统默认登录方式为密码登录。输入手机号码/邮箱/帐号、登录密码、字符验证码，单击【登录】按钮，跳转到选择个人/组织界面，选择组织即可进入系统首页。
图3 选择个人/组织
该界面显示帐号所属组织，选择某个组织单击 →，即可以所选组织的身份登录系统。如果单击【关闭】按钮，则跳过组织选择，以个人帐号登录系统。
图4 个人帐号
功能介绍
- 面向个人/组织的云端多人协同样本标注与管理，支持基于多光谱、SAR、高光谱、无人机等航天航空影像及时空地理矢量数据进行标注，覆盖目标识别、语义分割、变化检测三种场景，实现从样本标注、质检、审核、样本集制作、入库管理全流程。
图5 多人协同的样本标注1
图6 多人协同的样本标注2
- 支持上传矢量分类数据转换为样本，在已有样本基础上提升标注效率；也支持上传多期影像、生态保护红线等矢量，作为底图进行辅助标注，提供多种魔术棒、自适应宽度采集等半自动标注工具。
图7 辅助标注1
图8 辅助标注2
图9 多种样本半自动标注工具
- 支持样本平衡性综合分析，便于用户直观的了解数据集中不同类别样本的分布情况，判断样本集的分布平衡性，并可在组织内共享数据集。
图10 数据均衡性分析
图11 共享样本数据库管理
- 全流程可视化自主训练，用户可选择网络结构、数据集利用云端算力进行自动学习，也可以利用notebook进行算法开发；支持基于预训练模型进行模型的自主训练与迭代优化，提高模型训练效率和精度。
图12 新建工程
- 支持模型超参数配置，包括：backbone、实时样本增强（随机翻转、裁切、对比度亮度增强、归一化等）、loss函数、优化器等参数，并支持用户自定义更多超参数，提升无代码模型开发效率。
图13 网络结构及模型参数配置
图14 网络结构及模型参数配置2
模型训练
模型训练多维度可视化监控，包括训练精度/损失函数曲线、GPU使用率、训练进度、训练实时结果、训练日志等。
图15 训练指标和中间结果可视化
图16 训练过程资源监控
- 支持多机多卡环境下的模型分布式训练，大幅度提升模型训练的速度，满足海量样本数据加速训练的需求。
图17 支持训练过程多个GPU运行指标监控
- 支持在线模型评估，在不进行模型发布的前提下直接查看模型解译的效果，支持上传文件、WMTS和WMS图层进行模型评估。
- 集成主流深度学习框架，包括PyTorch，TensorFlow，Jittor，PaddlePaddle等，内置经典网络结构并支持用户自定义上传网络，同时，针对遥感影像多尺度、多通道、多载荷、多语义等特征，内置遥感解译专用模型，支持用户进行预训练和解译应用。
图18 部分深度学习模型参数
- 一键式模型部署和API发布，提供深度学习模型的快速部署功能，支持GPU资源分配、弹性扩容、模型迭代发布、应用监控和统计分析，轻松实现AI能力服务化。
图19 模型部署发布平台
- 平台基于模型训练结果，面向典型业务场景与应用需求，可提供遥感影像在线智能解译能力，包括遥感影像的单景解译及批量解译，提供解译结果可视化展示以统计分析。
图20 面向业务场景的遥感影像在线单景智能解译
图21 面向业务场景的遥感影像在线批量（右）智能解译
图22 解译结果统计分析
父主题： PIE-Engine AI部署
