farmvibes ai
1.0.0
Mit Farmvibes.ai können Sie reichhaltige Geospatial -Erkenntnisse für Landwirtschaft und Nachhaltigkeit entwickeln.
Erstellen Sie Modelle, die mehrere Geospatial- und Räumlichkeitsdatensätze verschmelzen, um Erkenntnisse zu erhalten (z. B. Schätzung der CO2 -Fußabdruck, die Wachstumsrate verstehen, Praktiken erkennen), die schwer zu erhalten wären, wenn diese Datensätze isoliert verwendet werden. Sie können Satellitenbilder (RGB, SAR, Multispektral), Drohnenbilder, Wetterdaten und mehr zusammen verschmelzen.
Durch das Verschüttung von Datensätzen auf diese Weise können robustere Erkenntnisse generiert und neue Erkenntnisse freigegeben, die sonst ohne Fusion nicht möglich sind. Dieses Repo enthält mehrere Fusions -Workflows (veröffentlicht und als entscheidend für landwirtschaftliche Probleme ausgewiesen), mit denen Sie robuste Fernerkundung, Erdbeobachtung und Geospatialmodelle aufbauen können, die sich mit Fokus auf Landwirtschaft/Landwirtschaft konzentrieren. Unser Hauptaugenmerk liegt derzeit auf Landwirtschaft und Nachhaltigkeit, für die die Modelle optimiert sind. Das Framework selbst ist jedoch allgemein genug, um Modelle für andere Domänen zu erstellen.
Es gibt drei Hauptstücke für Farmvibes.ai. Der erste besteht aus Datenverschlussen und Vorverarbeitungsworkflows, um Daten für Fusionsmodelle vorzubereiten, die auf die Landwirtschaft zugeschnitten sind. Darüber hinaus stellen wir Beispiele für Modelltraining-Notebook-Beispiele bereit, die nicht nur die Konfiguration der Vorverarbeitung von Daten ermöglichen, sondern auch die Tuning vorhandener Modelle mit Leichtigkeit ermöglichen. Schließlich wird eine Compute -Engine, die die Aufnahme von Daten unterstützt sowie vorhandene Anpassung und Erstellung neuer Workflows mit dem abgestimmten Modell unterstützt.
In diesem Schritt können Sie die Datensätze auswählen, die Sie für den Aufbau der Erkenntnisse verschmelzen möchten. FarmVibes.ai verfügt über viele Datensatz -Downloader. Dazu gehören Satellitenbilder aus Sentinel 1 und 2, USGS -Daten, USGS -Höhenkarten, NAIP -Bilder, NOAA -Wetterdaten, privaten Wetterdaten aus Umgebungswetter. Darüber hinaus können Sie auch rasterisierte Datensätze einbringen, die Sie für FarmviBes.ai (z.
Die Schlüsseltechnik in FarmVibes.AI besteht darin, Daten für ML -Modelle zu verwenden, die weit über Typen, Platz und Zeit hinausgehen, von wo aus sich die Etiketten befinden. Wenn Sie beispielsweise Getreidesilos aus Satellitenbildern erkennen (nur in optischen Bildern gekennzeichnet), ist es besser, sich auf optische sowie Höhen- und Radarbänder zu verlassen. In diesem Szenario ist es auch wichtig, mehrere Datenmodalitäten mit anderen bekannten Landwirtschaftsinfrastruktureinheiten zu kombinieren. Ebenso ist es wichtig, die Bilder eines bestimmten Silo in verschiedenen Jahreszeiten als Eingabe zu verwenden, um ein robusteres Modell zu generieren. Es wurde gezeigt, dass Informationen aus vielen Datenströmen, die gleichzeitig historische Daten aus nahe gelegenen oder ähnlichen Standorten einbeziehen, die Robustheit von Geospatial -Modellen verbessern (insbesondere für Ertrags-, Wachstums- und Pflanzenklassifizierungsprobleme). FarmVibes.ai generiert solche Eingangsdaten für Modelle mit Leichtigkeit basierend auf den angegebenen Parametern.
FARMVIBIBES.AI ermöglicht es einem Datenwissenschaftler, die Datensätze zu massieren und/oder ihre Vorlieben zu stimmen. Die Abstimmung wird über einen konfigurierbaren Workflow aktiviert, der als gerichteter acyclischer Graphen des Datenabläufs für Daten und Datenvorbereitungsworkflows angegeben ist. Die Vorbereitungsbetreiber helfen dabei, die Eingänge (z. B. Fusions -Pandas -Arrays oder Tensoren, die alle Rohdaten enthalten) für Schulungs- und Inferenzmodule zu erstellen.
Der nächste Schritt in FarmVibes.AI besteht darin, die eingebauten Notizbücher zu verwenden, um die Modelle einzustellen, um ein Maß an Genauigkeit für die Teile der Welt oder die Jahreszeiten zu erreichen, auf die Sie sich konzentrieren. Die Bibliothek umfasst Notizbücher zum Erkennen von Praktiken (z. B. Erntedatumerkennung), die Schätzung der Klimawirkung (sowohl saisonale CO2 -Fußabdruck als auch langfristige Nachhaltigkeit), Mikroklimavorhersage und Ernteidentifikation.
Farmvibes.ai wird mit diesen Notizbüchern geliefert, damit Sie Fusionsmodelle trainieren, um die Geospatial -Datensätze zu robusten Einsichten zu kombinieren, die auf Ihre Bedürfnisse zugeschnitten sind. Die Benutzer können das Modell auf eine gewünschte Leistung einstellen und das Modell an farmVibes.ai veröffentlichen. Das Modell wird dann angezeigt, um später in einer Inferenzmotor verwendet zu werden, die für andere Teile der Welt, andere Daten oder mehr verwendet werden kann.
Die letzte Phase in Farmvibes.AI besteht darin, die Datenverbinder, die Vorverarbeitung und die Modellstücke zu einem robusten Inferenz-Workflow zu kombinieren. Der generierte Workflow kann dann zur Durchführung von Inferenz in einem Bereich von Interesse und Zeitbereich verwendet werden, der als Eingaben an den Workflow übergeben werden kann. FarmVibes.ai kann so konfiguriert werden, dass es dann die Inferenz für den Zeitbereich ausführt und die Ergebnisse aktualisiert, wenn die Upstream -Daten aktualisiert werden (z. B. werden neue Satellitenbilder oder Sensordaten hinzugefügt). Sie tun dies, indem Sie einen Workflow erstellen, der aus fusionierten Datenvorbereitungs- und Fusionsmodell -Workflows besteht.
Derzeit werden wir Open-Sourcing the Local FarmVibes.ai-Cluster, das vor dem Bau von Betreibern und Workflows verwendet und lokal auf Ihrer Datenwissenschaftsmaschine ausgeführt wird. Dies bedeutet, dass alle generierten Daten lokal in Ihrer Maschine bestehen bleiben. Die tatsächlichen Workflows und deren Implementierungen werden über Docker -Bilder bereitgestellt, wobei ihre Beschreibung in der Dokumentation der Workflow -Liste verfügbar ist.
Der Benutzer kann über eine REST -API (in Localhost) oder einen lokalen Python -Client (beispielsweise in einem Jupyter -Notizbuch) mit dem örtlichen FarmVibes.ai -Cluster interagieren.
Weitere Informationen zum Einstieg finden Sie im QuickStart -Leitfaden. Wenn Sie es vorziehen, eine dedizierte azure virtuelle Maschine zum Ausführen von FarmVibes.ai einzurichten, finden Sie detaillierte Anweisungen in der VM -Setup -Dokumentation.
In den Ordner notebooks gibt es mehrere Beispiele, die als Ausgangspunkte dienen und zeigen, wie FarmVibees.ai verwendet werden kann, um Erkenntnisse in der Landwirtschaft zu schaffen. Einige der verfügbaren Notizbücher sind:
helloworld : Ein einfaches Beispiel, wie der Client zum Ausführen eines Workflows und zur Visualisierung der Antwort verwendet wird.harvest_period : zeigt, wie eine NDVI-Zeitreihen über Sentinel 2-Daten für ein einzelnes Feld und eine Pflanzensaison erhalten werden können und zur Abschätzung von Aufträgen und Erntedaten verwendet werden.carbon : zeigt, wie verschiedene Bodenkohlenstoffschätzungen simulieren, die auf unterschiedlichen Landwirtschaftspraktiken basieren und die Comet-Farm-API nutzen.deepmc : zeigt, wie man mit dem DeepMC-Modell Mikroklimaprognosen aus Wetterstationsdaten erstellen kann.crop_segementation : Dieses Beispiel zeigt, wie ein Crop-Identifikationsmodell basierend auf NDVI-Daten trainiert, die auf unserem Spaceye Cloud-Free-Bildgenerierungsmodell berechnet werden. In diesem Beispiel können Sie das geschulte Modell auch in einem Inferenz -Workflow verwenden, um Vorhersagen in jedem Bereich zu erhalten, in dem wir in der Lage sind, Spaceye -Bilder zu erzeugen.Wir bieten eine vollständige Liste der verfügbaren Notizbücher und deren Beschreibung in unserer Dokumentation.
Detailliertere Informationen zu den verschiedenen Komponenten finden Sie in der Dokumentation der FarmVibe.ai. In diesem Repository sind diese Informationen auch in: zugänglich in:
Dieses Projekt begrüßt Beiträge und Vorschläge. In den meisten Beiträgen müssen Sie einer Mitarbeiters Lizenzvereinbarung (CLA) zustimmen, in der Sie erklären, dass Sie das Recht haben und uns tatsächlich tun, um uns die Rechte zu gewähren, Ihren Beitrag zu verwenden. Weitere Informationen finden Sie unter https://cla.opensource.microsoft.com.
Wenn Sie eine Pull -Anfrage einreichen, bestimmt ein CLA -Bot automatisch, ob Sie eine CLA angeben und die PR angemessen dekorieren müssen (z. B. Statusprüfung, Kommentar). Befolgen Sie einfach die vom Bot bereitgestellten Anweisungen. Sie müssen dies nur einmal über alle Repos mit unserem CLA tun.
Dieses Projekt hat den Microsoft Open Source -Verhaltenscode übernommen. Weitere Informationen finden Sie im FAQ oder wenden Sie sich an [email protected] mit zusätzlichen Fragen oder Kommentaren.
Dieses Projekt kann Marken oder Logos für Projekte, Produkte oder Dienstleistungen enthalten. Die autorisierte Verwendung von Microsoft -Marken oder Logos unterliegt den Marken- und Markenrichtlinien von Microsoft und muss folgen. Die Verwendung von Microsoft -Marken oder Logos in geänderten Versionen dieses Projekts darf keine Verwirrung verursachen oder Microsoft -Sponsoring implizieren. Jede Verwendung von Marken oder Logos von Drittanbietern unterliegt den Richtlinien dieses Drittanbieters.
