Automatisez la Classification Précise des Images d'Utilisation des Terres avec l'IA
La classification manuelle d'images diversifiées, telles que les images satellites ou aériennes, est un processus laborieux et incohérent qui retarde l'analyse des données. Ce workflow automatise la classification d'images d'utilisation des terres avec une haute précision en exploitant les embeddings IA et une approche des K-Plus Proches Voisins pour catégoriser instantanément les images.
Documentation
Automatisation de la Classification d'Images d'Utilisation des Terres avec Haute Précision
Ce workflow n8n offre un outil puissant et automatisé pour classifier les images selon les types d'utilisation des terres. En prenant une URL d'image en entrée, il identifie intelligemment la catégorie la plus probable parmi une liste prédéfinie de types de terrains, tels que 'agricole', 'forêt', 'bâtiments' ou 'rivière'. Idéal pour les SIG, la surveillance environnementale ou les applications immobilières, cette solution simplifie le processus de catégorisation des données visuelles avec une précision remarquable, atteignant plus de 93 % de précision sur un ensemble de test.
Fonctionnalités Clés
- Classification Haute Précision : Atteignez plus de 93 % de précision dans la classification des images d'utilisation des terres variées.
- Embeddings Propulsés par l'IA : Utilise les embeddings multimodaux de Voyage.ai pour une représentation robuste des images.
- K-Plus Proches Voisins Dynamique (KNN) : Interroge Qdrant pour trouver des images similaires étiquetées, ajustant automatiquement le nombre de voisins pour résoudre les égalités dans la classification.
- Large Support des Types de Terres : Classe les images à travers 21 catégories d'utilisation des terres distinctes, de la 'forêt' à l''autoroute'.
Comment Ça Marche
Ce workflow est déclenché par une URL d'image en entrée. Premièrement, l'image est envoyée à l'API des embeddings multimodaux de Voyage.ai pour générer une représentation vectorielle de haute dimension. Cet embedding est ensuite utilisé pour interroger votre base de données vectorielle Qdrant, qui contient des embeddings pré-indexés d'images d'utilisation des terres étiquetées. Le workflow récupère un ensemble de K plus proches voisins et effectue un vote majoritaire sur leurs classes assignées. En cas d'égalité dans la classification, le workflow augmente dynamiquement le nombre de voisins considérés et réévalue jusqu'à ce qu'une majorité claire soit identifiée ou qu'une limite maximale soit atteinte, garantissant une sortie de classification décisive. Enfin, la classe d'utilisation des terres déterminée est renvoyée.