PIE-Engine AI支持清华计图国产深度学习框架

PIE-Engine AI是航天宏图公司发布的智能解译云服务软件，PIE-Engine AI面向国土、交通、电力、国防、气象等领域，针对遥感典型地物目标检测、要素分类、变化检测等应用智能化需求，以PyTorch、TensorFlow等主流深度学习框架为基础，提供样本样本标准化制作、环境部署、模型开发、模型训练、模型评估、模型部署等一站式全流程深度学习服务。

PIE-Engine AI所提供的遥感数据智能化解译和应用服务包含以下四个方面：一是样本协同标注服务，主要针对遥感典型语义分割、目标检测等应用场景，支持样本标准化制作、多人在线协同制作及统一组织管理。二是模型开发训练服务，平台内置丰富的自主训练机制，可预制多种高精度遥感预训练模型，支持超参数调优、迁移学习训练，同时支持数据闭环、持续训练以及分布式训练加速模型训练过程。三是模型部署监控，提供一键式模型发布服务，支持资源的灵活分配、弹性扩缩容、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。四是影像智能解译，提供海量多源遥感数据实时、快速、高频、高效自动化解译处理，支持典型遥感地物/目标特征信息智能化提取分析。

国产深度学习框架——计图（Jittor）

在深度学习框架领域，Pytorch、TensorFlow是目前学界和业界使用最广泛的两大框架，国内百度PaddlePaddle、华为MindSpore、旷视MegEngine等厂商研发的框架发展势头强劲，因其自身业务特点具有一定独特设计。随着深度学习新技术的出现，由于架构设计和参数不断扩充等原因，任务复杂度不断提高，模型架构优化和移植变得困难，新模型的实际性能还有待提升。

清华大学开发的计图（Jittor）深度学习框架，采用元算子融合和动态编译技术，深度优化内存，有效解决越来越庞大的模型架构及参数优化问题，提升了系统的运行性能和通用性，确保实现和优化分离，大幅提升应用开发的灵活性、可拓展性和可移植性。

计图（Jittor）是一个完全基于动态编译（Just-in-time），内部使用创新的元算子和统一计算图的深度学习框架，元算子和Numpy一样易于使用，并且超越Numpy能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。

PIE-Engine AI支持计图框架实现遥感图像风车检测识别

为满足广大用户对国产框架的需求，以及平台对框架的多元化支持，航天宏图与清华大学计图团队紧密合作，以最快的速度实现PIE-Engine AI对计图框架的支持，并上线了计图框架的YOLOv5目标检测算法。

以风车检测识别为例，展示计图框架下的YOLOv5的训练效果。

本次训练基于2m分辨率光学遥感卫星影像，使用NVIDIA TITAN RTX单GPU显卡进行训练，风车测试影像选择戈壁、山地、水域平原3种地理环境差异较大的场景进行测试，目的是评估算法模型的泛化性能。

为了更加深入精准的评估计图框架YOLOv5算法，在相同计算环境下基于PyTorch框架YOLOv5算法，利用相同风车数据进行训练。统计两种框架下YOLOv5算法模型在相同测试数据集上的单张图像推理时间及检测评估精度，包括准确率、召回率、mAP等评价指标，结果如下表所示。

通过测试验证，使用计图框架YOLOv5算法所训练的风车模型检测精度整体优于PyTorch框架YOLOv5算法模型，并且算法模型的泛化能力较好，在戈壁、山地、水域平原等遥感场景下均取得了较好的检测结果。

航天宏图发布的PIE-Engine AI 遥感服务云平台，可支持PyTorch、TensorFlow等国外机器学习框架，以及计图（Jittor）等国内深度学习框架，满足不同用户的训练框架需求。平台实现了包括舰船检测、飞机检测、水体检测、光伏检测、风车检测、桥梁检测等多个遥感图像智能解译检测算法，用户可依据需求，自主开展模型的训练和发布。