Probemos la interpretación topográfica usando IA

1er Pix2pix Manual

Elaborado por: Nippon Koei Co., Ltd. Centro

de investigación avanzada
Hirokazu FURUKI
1
0. Materiales de distribución

00. Materiales explicativos (este documento)

01. Instalador de python 3.10
02. Atom (editor de código python)
03. Programas de IA (carpeta: pytorch-pix2pix-master)
・datos de entrenamiento (nombre: conjuntos de datos para practicar)
・modelo de entrenamiento (nombre: punto de control)

Materiales de referencia pytorch para GPU active

【Ref.】PyTorch environment construction procedure (Windows GPU ver.)_eng.pdf

2
1. Aprendizaje profundo fácil de entender y fácil de usar
• Aprende las características de las imágenes y crea nuevas
※1

imágenes. Genera fotos a partir de mosaicos

「 pix2pix 」
・Entrada como imagen → salida como
imagen
・Se puede utilizar de forma intuitiva.
※2
⇒ sentido de la experiencia puede ser
utilizados
※1 Aprendizaje supervisado: proporcione datos que
sean la respuesta correcta y aprenda la cantidad de
características
※2 Aprendizaje por aprendizaje profundo que puede
mirar "fotos" y "diagramas" y diagnosticar y descifrar Generar mapas a partir de fotografías aéreas
sensitivamente
3
1. Acerca del aprendizaje profundo fácil de entender y fácil de usar
◆ Cómo crear datos de entrenamiento Terreno de movimiento en masa

① Datos topográficos procesados (DEM, etc.)

(fotografías aéreas, mapas topográficos)
IA aprende información de color para mapas
topográficos y fotos Imagen Imagen
Rango del
② Creación de imágenes en pares (datos de AFigura base ( dibujo CS 3D ,
etc.)
B
movimiento
entrenamiento)
③ Aprende la relación entre las imágenes A y B

◎ punto
・Los parámetros que se establecerán en el momento del aprendizaje se Mapa de análisis
Fotografía aérea
pueden aprender en 2~3 elementos topográfico
・Más que la IA tradicional Fácil de implementar Terreno de erosión
・El resultado toma unos minutos (el aprendizaje toma varias horas)
4
1. Aprendizaje profundo fácil de entender y fácil de usar
◆ Preparar una gran cantidad de datos de
entrenamiento
Puede cortarlos uno por uno, pero divídalos juntos
・Si no existen suficientes Numeros, incluso si lo corta
en la cuadrícula
Cortar alternadamente de modo que cubra un cierto
rango
→ Asegurando el Número de Datos Maestros

5
2. Preparación de datos de entrenamiento < Datos de división>
◆ Preparar y dividir datos
Los datos se preparan como A y B (A = L en el lado izquierdo, B = R en el lado derecho) y los datos se aíslan.
※Utilice el software gratuito E-cutter

datos del lado L datos del lado R

6
2. Preparación de datos de entrenamiento < Cambio de nombre de datos>
◆ Cambiar el nombre del archivo
Ejemplo de un archivo dividido, renombrado
※Use el software gratuito allrename

datos del lado L datos del lado R

7
2. Preparación de datos de entrenamiento <Combinar datos>
◆ Combinar imágenes de A (= lado L) y B (= lado R)
※Usando el software gratuito ImageMerge

8
2. Preparación de datos de entrenamiento < Eliminación de datos innecesarios>
◆ Eliminar datos a medias e innecesarios
① Verifique el tamaño y elimine todo lo que no
cumpla con el tamaño requerido
Figura superior derecha: El × rojo no cumple con el tamaño
requerido
Figura inferior derecha: Lo que se elimina en el marco
cuadrado rojo, lo que queda en el marco cuadrado azul

② Además, tanto A (= lado L) como B (= lado

R) son blancos, y la mayoría de las imágenes
son blancas.
Debajo de las × azules

9
2. Preparación de datos de entrenamiento <Asignación de datos>

◆ Datos de entrenamiento y datos de prueba separados

La proporción se basa en 8:2

Un ejemplo de datos de entrenamiento Ejemplo de datos de prueba

10
3. Resultados del aprendizaje automático
Ejemplo de datos de entrenamiento creados en Japón

◆ Estructura interna de la carpeta de datos maestros

・Para verificar el contenido, abra el archivo json con el Bloc de

notas

◆Resultados de datos de prueba (figura derecha)

・También hay un archivo json en la carpeta, por lo que si
desea verificar el contenido, ábralo con el Bloc de notas
La figura de la derecha muestra el interior de la carpeta de
imágenes en la carpeta de datos de prueba, la izquierda es la
entrada, el centro es la salida y la derecha es la configuración de
destino.
11
 4. Acerca del aprendizaje profundo fácil de entender y fácil de usar
Ejemplo de una pantalla de la que la IA está aprendiendo desde datos de entrenamiento en
Japón.

12
2do Construcción del entorno de ejecución de IA y prueba

Procedimiento de construcción del entorno PyTorch

(Windows)
5. Pasos para configurar el uso de IA

Menú Común
1 ． Instalación de Python... p.
2 ．Instalar PyTorch ... p.

Si usas una PC con una GPU

【Ref.】 PyTorch environment construction procedure (Windows GPU ver.)_eng.pdf

14
5. Instalación de Python

15
5. Pasos para configurar el uso de IA - Instalación de Python
・Instala la versión de Python que quieras usar. Acceda a la siguiente página

Enlaces de descarga no oficiales de Python - Descargas de Python

Seleccione la versión del lado izquierdo, descargue la última versión (arriba) y ejecútela.

(2) Descarga la última versión

(1) Seleccione la versión

16
5. Pasos para configurar el uso de IA - Instalación de Python
・Cuando abre el instalador descargado, se muestra la siguiente pantalla.

(2) Haga clic

(1) Marque la casilla

・Marque "Agregar Python ~ a PATH" y haga clic en "Instalar ahora".

17
5. Pasos para configurar el uso de IA - Instalación de Python
・Cuando se completa la instalación, se muestra la siguiente pantalla, así que presione "Cerrar".

hacer clic

18
5. Pasos para configurar el uso de IA - Instalación de Python
・Para verificar si Python se instaló correctamente, establezca el símbolo del sistema en
Abrir.
・Escriba "python -V" en el símbolo del sistema y ejecútelo. Si la versión instalada se
muestra como se muestra en la imagen, ha terminado.

Si no ve la versión

Desinstale Python una vez y marque "Add Python ~ a PATH"e instálelo

nuevamente.

19
6. Instalar PyTorch

20
6. Instalar PyTorch
Acceda aquí ( PyTorch ) y seleccione "Estable", "Windows", "Pip", "Python", “cpu",

versión estable

usando OS

Seleccione "pip"

Seleccione “python”

Seleccione " cpu "

hacer clic plataforma GPU
Adjuntar el manual al final

21
6. Instalar PyTorch
Copie el comando que se muestra y ejecútelo en el símbolo del sistema.

Copia de código

Pegado de código

22
6. Instalar PyTorch
・Para verificar si PyTorch se instaló correctamente, en el símbolo del sistema
Escriba "python" para ingresar al modo interactivo.

23
6. Instalar PyTorch
・Si ejecuta "import torch" y "torch.cuda.is_available print())" y muestra
“True"
Listo.

・El modo interactivo se puede finalizar ejecutando "exit()".

Si se muestra “True", ha terminado

24
7. Prueba de ejecución de IA (pix2pix)
・Usar el conjunto de datos (datasets) pasado. 「 pytorch-
pix2pix-master 」
・La ubicación de almacenamiento es arbitraria.
Escritorios, etc.
・Verifique el contenido de la carpeta.
・Mire el contenido de la carpeta que pasó.
・Guarde los datos que desea que IA aprenda en
“datasets“
・Esta vez, hemos preparado datos de prueba

25
7. Prueba de ejecución de IA (pix2pix)
・Datos para aprendizaje profundo: este es un ejemplo de
farcade.

Este conjunto de datos crea fotos

de edificios a partir de mosaicos.
Puedes descargarlo gratis de
Internet.

26
7. Prueba de ejecución de IA (pix2pix)

・Abrir un símbolo del sistema

・pip instalar visdom y presiona enter

pip install visdom

27
7. Prueba de ejecución de IA (pix2pix)
En el símbolo del sistema, vaya a la carpeta "pytorch-pix2pix-master".
” cd・・・・・pytorch-pix2pix-master ”
Ingrese

Debe copiar su nombre

de usuario
” cd・・・・・pytorch-pix2pix-master ”
Selección de carpeta

28
 7. Prueba de ejecución de IA (pix2pix)
Abra dos pantallas del símbolo del sistema en su escritorio. Una es la ventana de la página anterior

En la primera ventana, escriba visdom

La ventana de la página anterior

29
7. Prueba de ejecución de IA (pix2pix)
Escriba "visdom" en el símbolo del sistema para ver la dirección local
Copie y pegue en Google Chrome
Luego verá una pantalla como la siguiente.

Copiar y pegar

Ventana
Se muestra la dirección local Visdom

30
 Consulte las notas que fueron entregadas
7. Prueba de ejecución de IA (pix2pix) con anticipación 「 setup AI.txt 」

Demostremos el construcción de aprendizaje para modo de entrenamiento

”python train.py --dataroot ./datasets/facade --name facade_pix2pix --model pix2pix --

dataset_mode single --netG unet_256 --direction BtoA --dataset_mode aligned“

python train.py --dataroot ./datasets/facade --name

fachada_pix2pix --modelo pix2pix --dataset_mode single --netG
unet_256 --dirección AtoB --dataset_mode alineado

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

31
7. Prueba de ejecución de IA (pix2pix) Imagen de escritorio con IA ejecutándose

32
 Consulte las notas que fueron entregadas
7. Prueba de ejecución de IA (pix2pix) con anticipación 「 setup AI.txt 」
Ctrl + C Presione para terminar de aprender
Modo de prueba de demostración.
Usando las notas como referencia, copie y pegue lo siguiente.

” python test.py --dataroot ./datasets/facade --name facade_pix2pix --model test --netG unet_256
--direction BtoA --dataset_mode aligned --norm batch“

python test.py --dataroot ./datasets/facade --name facade_pix2pix

--model test --netG unet_256 --direction BtoA --dataset_mode
aligned --norm batch

33
 Consulte las notas que fueron entregadas
7. Prueba de ejecución de IA (pix2pix) con anticipación 「 setup AI.txt 」

Cuando ejecuta la prueba, se crea una carpeta de "results".

Abra la carpeta “results”, hay una salida de imagen por IA.
Esta es una imagen creada por Fake basada en datos de
entrenamiento de IA.

34
8. AI (pix2pix) aplica la imagen
De la misma manera, los mapas topográficos pueden ser aprendidos y
probados.
Planeamos ponerlo en práctica en un taller programado para el 4 de agosto.
Vamos a probarlo con un caso que traje de Japón como prueba.

Prueba:

python test.py --dataroot ./datasets/CS --name CS_pix2pix --model test --netG unet_256 --direction
AtoB --dataset_mode aligned --norm batch

organizar nombres de carpetas:

python add_result_target.py --results_dir results/CS_pix2pix/test_latest/images --dataroot datasets/CS

35
8. AI (pix2pix) aplica la imagen
" images_tf " en Datos de entrada (mapa topográfico) / Imagen de salida AI / imagen objetivo.

36
8. IA (pix2pix) aplicada a imagen topográfica
Imagen de salida de IA topografía superpuesta. Imagen
Imagen de entrada
(imagen topográfica imagen objetivo
(mapa topográfico)
superpuesta )

superposición

37
9. Conclusión

・Se explicó cómo estimar el lugar donde puede ocurrir un

desastre de sedimentos con IA.
・Al usar pix2pix, existe la posibilidad de que pueda ayudar
a los ingenieros en sus habilidades de interpretación.
・Se explicó cómo construir un entorno para operar IA
→ entrenamiento y prueba.
・Todos pueden compartir el modelo de entrenamiento.
El próximo taller de IA está programado para el 4 de
agosto. Espero que los miembros de las C/P practiquen.

38