[Não é um Tutorial]Classificação Deep Learning: CPU vs GPU
CPU VS GPU
Ainda ouço muito a pergunta: “mas ter GPU realmente importa no trabalho com Geoprocessamento?”
Claro que a resposta principal sempre é: “seu software/algoritmo irá utilizar este poder das ‘placas gráficas’?”
Se sim, acredito que os números desta imagem do post, incluindo o equipamento utilizado, deixam claro, mesmo para ambientes críticos – como no setor público e Universidades, onde ainda acham que GPU é para cursos de jogos digitais ou “eu não tenho, por que você precisa?” – que o ganho de perfomance é indiscutível, além de horas de trabalho e reflexão ganhos.
De quebrar, você fica atualizado para, em breve, utilizar o melhor SIG existente: GTA! 🙂
SOBRE O TESTE
Este modelo tem uma precisão geral de 84%, a partir do processamento de imagens Sentinel-2, nível 2A. Clique aqui para mais informações e detalhamento da acurácia por classes.
Para a classificação das classes de uso do solo, foi utilizado como suporte matemático para o Deep Learning a arquitetura U-Net, uma rede neural convolucional.
- Imagem Sentinel-2, com resolução espacial de 10 metros e data de coleta 01º de novembro de 2023
- As classes temáticas (usos) utilizam o Modelo CORINE Land Cover (CLC) 2018, por meio do modelo corine_landcover.dlpk pré-treinado
- Product Identifier/eodata/Sentinel-2/MSI/L2A/2023/07/01/S2B_MSIL2A_20230701T133149_N0509_R081_T22LGH_20230701T160210.SAFE
QUER SABER MAIS?
Canal Youtube: https://www.youtube.com/@GeografiadasCoisas
⚠️ Ative a notificação no Youtube para ser avisado de novos vídeos e participe!
🗣 Deixe seus comentários, compartilhe o post/artigo e vamos caminhar juntos para além das camadas técnicas da Inteligência Geográfica!
Inscreva-se no Canal!
Abimael Cereda Junior administrator
Sobre o autor