Verbeteren van uw GIS-data met behulp van Artificiële Intelligentie

Cursusinhoud

1. Inleiding tot Beeldherkenning en RCNN Technologie

• Doel: Begrijp de basis van Regionale Convolutionele Neurale Netwerken (RCNN’s) en hun toepassing in stedelijke planning.
• Inhoud: Overzicht van de principes van beeldherkenning, belangrijke concepten zoals convolutie en pooling, en hoe RCNN’s ruimtelijke kenmerken kunnen identificeren en extraheren binnen Tygron.

2. Een Basis Dataset Samenstellen voor Training

• Doel: Leer hoe je een dataset samenstelt en voorbereidt voor modeltraining.
• Inhoud: Stapsgewijze handleiding voor het bouwen van datasets, inclusief het maken van ‘bounding boxes’ rond objecten (zoals bomen, vegetatie) voor nauwkeurige identificatie en lokalisatie in beelden.

3. Een RCNN Model Trainen met PyTorch

• Doel: Ontwikkel praktische vaardigheden in modeltraining, met de nadruk op ruimtelijke toepassingen.
• Inhoud: Introductie tot PyTorch voor het trainen van een RCNN-model, inclusief data-import, convolutie, pooling en sleutelparameters die de trainingsnauwkeurigheid beïnvloeden. Deelnemers krijgen inzicht in hoe het model objectkenmerken leert te identificeren.

4. Het Model Opslaan en Integreren in Tygron

• Doel: Implementeer het getrainde model binnen Tygron voor praktische toepassingen.
• Inhoud: Instructies voor het opslaan van het getrainde model in ONNX-formaat (compatibel met Tygron) en het importeren in het Tygron Platform. De training wordt afgesloten met het gebruik van het model voor objectherkenning in de openbare ruimte, zoals bomen of zonnepanelen.

Vereisten

Deelnemers dienen basiskennis te hebben van Python-programmering en bekend te zijn met het Tygron Platform. Kennis van AI-concepten is niet noodzakelijk.

Ondersteuning na de Cursus

Na afloop van de training hebben deelnemers toegang tot stap-voor-stap tutorials en documentatie op de Tygron Wiki, inclusief video’s die demonstreren hoe het ONNX-bestand voor inferentie kan worden gebruikt.

Leerdoelen

Aan het einde van deze training kunnen deelnemers:

• Een dataset samenstellen en voorbereiden voor beeldherkenning in de context van ruimtelijke en stedelijke planningsprojecten.
• Een RCNN-model trainen in PyTorch voor objectherkenning binnen Tygron.
• Het getrainde model exporteren in ONNX-formaat en integreren in de Tygron-omgeving.
• AI-gestuurde beeldherkenning inzetten voor verrijkte data-invoer en verbeterde simulatienauwkeurigheid.

Deze training is ideaal voor iedereen die geavanceerde AI-mogelijkheden wil ontgrendelen binnen het Tygron Platform, waardoor krachtigere inzichten en datagestuurde besluitvorming mogelijk worden in stedelijke planningsprojecten. Neem contact met ons op om je plaats in de AI-verrijking van GIS-Data voor Tygron training te reserveren!