farmvibes ai
1.0.0
Con Farmvibes.Ai, puede desarrollar ricas ideas geoespaciales para la agricultura y la sostenibilidad.
Construya modelos que fusionen múltiples conjuntos de datos geoespaciales y espacio -temporales para obtener ideas (por ejemplo, estimar la huella de carbono, comprender la tasa de crecimiento, las prácticas de detección seguidas) que serían difíciles de obtener cuando estos conjuntos de datos se usan de forma aislada. Puede fusionar imágenes satelitales (RGB, SAR, Multispectrales), imágenes de drones, datos meteorológicos y más.
Fusionar los conjuntos de datos de esta manera ayuda a generar ideas más robustas y desbloquea nuevas ideas que de otro modo no son posibles sin fusión. Este repositorio contiene varios flujos de trabajo de fusión (publicados y demostrados como clave para los problemas relacionados con la agricultura) que lo ayudan a construir la teledetección robusta, la observación de la tierra y los modelos geoespaciales con enfoque en la agricultura/agricultura con facilidad. Nuestro enfoque principal en este momento es la agricultura y la sostenibilidad, para la que los modelos están optimizados. Sin embargo, el marco en sí es lo suficientemente genérico como para ayudarlo a construir modelos para otros dominios.
Hay tres piezas principales para Farmvibes.ai. El primero consiste en la ingestión de datos y los flujos de trabajo de preprocesamiento para ayudar a preparar datos para modelos de fusión adaptados a la agricultura. Además, proporcionamos ejemplos de cuaderno de capacitación de modelos que no solo permiten la configuración del preprocesamiento de los datos, sino que también permiten ajustar los modelos existentes con facilidad. Finalmente, un motor de cómputo que admite la ingestión de datos, así como ajuste los flujos de trabajo existentes y creando nuevos con el modelo sintonizado.
En este paso, puede seleccionar los conjuntos de datos que le gustaría fusionar para construir las ideas. Farmvibes.Ai viene con muchos descargadores de conjuntos de datos. Estos incluyen imágenes satelitales de Sentinel 1 y 2, datos de tierras de cultivo de EE. UU., Mapas de elevación de USGS, imágenes NAIP, datos meteorológicos de NOAA, datos meteorológicos privados del clima ambiental. Además, también puede traer ningún conjunto de datos rasterizados que desee hacerlos preparados para la fusión para Farmvibes.Ai (por ejemplo, imágenes de drones u otras imágenes satelitales) y, en el futuro, datos de sensores personalizados (como sensores meteorológicos).
La técnica clave en Farmvibes.Ai es usar como entrada para datos de modelos ML que van mucho más allá de los tipos, espacio y tiempo desde donde se encuentran las etiquetas. Por ejemplo, al detectar silos de grano de imágenes satelitales (etiquetadas solo en imágenes ópticas), es mejor confiar en bandas ópticas, así como de elevación y radar. En este escenario, también es importante combinar múltiples modalidades de datos con otras entidades conocidas de infraestructura agrícola. Del mismo modo, también es importante usar como entrada las imágenes de un silo dado en varias épocas del año para ayudar a generar un modelo más robusto. Se ha demostrado que la información de muchos flujos de datos, al tiempo que incorpora datos históricos de ubicaciones cercanas o similares, mejora la robustez de los modelos geoespaciales (especialmente para los problemas de rendimiento, crecimiento y clasificación de cultivos). FarmVibes.AI genera dichos datos de entrada para modelos con facilidad basados en parámetros que se pueden especificar.
Farmvibes.Ai permite a un científico de datos masajear y/o sintonizar los conjuntos de datos a sus preferencias. El ajuste se habilita a través de un flujo de trabajo configurable que se especifica como un gráfico acíclico dirigido de flujos de trabajo de descarga de datos y flujos de trabajo de preparación de datos. Los operadores de preparación ayudan a crear las entradas (por ejemplo, matrices de pandas fusionadas o tensores que contienen todos los datos sin procesar) a los módulos de entrenamiento e inferencia.
El siguiente paso en FarmVibes.Ai implica el uso de los cuadernos incorporados para ajustar los modelos para lograr un nivel de precisión para las partes del mundo o las estaciones en las que se está enfocando. La biblioteca incluye cuadernos para detectar prácticas (p. Ej.
Farmvibes.Ai viene con estos cuadernos para ayudarlo a comenzar a entrenar modelos de fusión para combinar los conjuntos de datos geoespaciales en conocimientos robustos adaptados a sus necesidades. Los usuarios pueden sintonizar el modelo con un rendimiento deseado y publicar el modelo a Farmvibes.ai. Luego, el modelo aparece para usarse más tarde en un motor de inferencia que puede emplearse para otras partes del mundo, otras fechas o más.
La etapa final en FarmVibes.Ai es combinar los conectores de datos, el preprocesamiento y el modelo se juntan en un flujo de trabajo de inferencia robusto. El flujo de trabajo generado se puede usar para realizar una inferencia en un área de interés y rango de tiempo que se puede pasar como entradas al flujo de trabajo. FarmVibes.Ai se puede configurar de manera que luego ejecute la inferencia para el rango de tiempo y actualiza los resultados cada vez que se actualizan los datos aguas arriba (por ejemplo, se agregan nuevas imágenes satelitales o datos del sensor). Usted hace esto creando un flujo de trabajo compuesto por la preparación de datos fusionadas y los flujos de trabajo del modelo de fusión.
Actualmente, estamos abiertos al clúster Farmvibes.AI local, que utiliza operadores y flujos de trabajo previos a la construcción y los ejecuta localmente en su máquina de ciencias de datos. Esto significa que los datos generados se persisten localmente en su máquina. Los flujos de trabajo reales y sus implementaciones se proporcionan a través de imágenes de Docker, con su descripción disponible en la documentación de la lista de flujos de trabajo.
El usuario puede interactuar con el clúster local de Farmvibes.AI a través de una API REST (en Localhost) o un cliente local de Python (dentro de un cuaderno de Jupyter, por ejemplo).
Consulte la Guía QuickStart para obtener información sobre dónde comenzar. Si prefiere configurar una máquina virtual Azure dedicada para ejecutar FarmVibes.ai, puede encontrar instrucciones detalladas en la documentación de configuración de VM.
En los notebooks de carpetas hay varios ejemplos para servir como puntos de partida y demostrar cómo Farmvibes. AI puede usarse para crear información agrícola. Algunos de los cuadernos disponibles son:
helloworld : un ejemplo simple sobre cómo usar el cliente para ejecutar un flujo de trabajo y visualizar la respuesta.harvest_period : Mostrando cómo una serie de tiempo NDVI calculada en la parte superior de los datos de Sentinel 2 se puede obtener para un solo campo y temporada de siembra y se utiliza para estimar las fechas de emergencia y cosecha.carbon : ilustrar cómo simular diferentes estimaciones de carbono del suelo basadas en diferentes prácticas agrícolas, aprovechando la API de la granja del cometa.deepmc : Mostrando cómo se pueden construir pronósticos de microclima a partir de datos de la estación meteorológica utilizando el modelo DeepMC.crop_segementation : este ejemplo muestra cómo entrenar un modelo de identificación de cultivos basado en datos NDVI calculados en la parte superior de nuestro modelo de generación de imágenes sin nubes SpaceEye. En este ejemplo, también puede usar el modelo capacitado en un flujo de trabajo de inferencia para obtener predicciones en cualquier área donde podamos generar imágenes espaciales.Proporcionamos una lista completa de los cuadernos disponibles y su descripción en nuestra documentación.
Se puede encontrar información más detallada sobre los diferentes componentes en FarmVibes.Ai Documentación. En este repositorio, esta información también es accesible en:
Este proyecto da la bienvenida a las contribuciones y sugerencias. La mayoría de las contribuciones requieren que acepte un Acuerdo de Licencia de Contributor (CLA) que declare que tiene derecho y realmente hacernos los derechos para utilizar su contribución. Para más detalles, visite https://cla.opensource.microsoft.com.
Cuando envíe una solicitud de extracción, un BOT CLA determinará automáticamente si necesita proporcionar un CLA y decorar el PR adecuadamente (por ejemplo, verificación de estado, comentario). Simplemente siga las instrucciones proporcionadas por el bot. Solo necesitará hacer esto una vez en todos los reposos usando nuestro CLA.
Este proyecto ha adoptado el Código de Conducta Open Open Microsoft. Para obtener más información, consulte el Código de Conducta Preguntas frecuentes o comuníquese con [email protected] con cualquier pregunta o comentario adicional.
Este proyecto puede contener marcas comerciales o logotipos para proyectos, productos o servicios. El uso autorizado de marcas o logotipos de Microsoft está sujeto y debe seguir las pautas de marca y marca de Microsoft. El uso de marcas registradas de Microsoft o logotipos en versiones modificadas de este proyecto no debe causar confusión o implicar el patrocinio de Microsoft. Cualquier uso de marcas comerciales o logotipos de terceros está sujeto a las políticas de esas partes de terceros.
