リモートセンシングチームは、土地利用分類、マッピング、インフラ監視、環境分析のために衛星、航空、ドローン画像をアノテーションします。Avala は、オーバーヘッド画像に最適化されたポリゴン、セグメンテーション、分類ツールと、地域や期間にわたる大規模画像コレクションを整理するためのデータセット管理機能を提供します。
データタイプ ソース Avala データタイプ 典型的なアノテーション 衛星画像 画像 ポリゴン、セグメンテーションマスク、分類 航空写真 画像 バウンディングボックス、ポリゴン ドローン画像 画像、動画 バウンディングボックス、ポリゴン、セグメンテーション オルソフォト 画像 セグメンテーションマスク、分類 時系列合成画像 画像 分類、変化検出アノテーション
一般的なタスク 土地利用分類 衛星・航空画像を土地被覆カテゴリにセグメンテーション：市街地、森林、水域、農地、荒地、湿地、その他の地形タイプ。画像全体のピクセルレベル分類にはセグメンテーションツールを、領域レベルのラベリングにはポリゴンアノテーションを使用します。
ラベルタクソノミーの例： { "labels" : [ { "name" : "urban" , "color" : "#FF4444" }, { "name" : "forest" , "color" : "#22AA22" }, { "name" : "water" , "color" : "#4488FF" }, { "name" : "agriculture" , "color" : "#AADD44" }, { "name" : "barren" , "color" : "#BBAA88" }, { "name" : "wetland" , "color" : "#66BBAA" } ] }
土地利用分類では、画像の解像度に基づいてカテゴリを定義してください。高解像度衛星（0.3-0.5 m/ピクセル）では「residential」vs「commercial」のような詳細カテゴリをサポートします。低解像度（10-30 m/ピクセル）では「urban」vs「rural」のような広いカテゴリの方がうまく機能します。
建物フットプリント抽出 マッピング、都市計画、変化検出のために建物周囲のポリゴン境界をトレースします。
車両・オブジェクトカウント バウンディングボックスアノテーションを使用して、オーバーヘッド画像内の車両、船舶、航空機、その他のオブジェクトを検出しカウントします。
インフラ監視 道路、橋、電力線、ソーラーパネル、パイプラインなどのインフラ要素を、状態評価と変化検出のためにアノテーションします。
変化検出 異なる日付の画像を比較して変化を特定します：新規建設、森林破壊、洪水範囲、作物成長。
データセットの整理 衛星・航空画像データセットは大規模になりがちです — 地域と期間にわたる数千から数百万の画像。効果的な整理が重要です。
スライスの使用 スライス により画像を複製せずに仮想サブセットを作成できます：
画像の 80% で training スライス、20% で validation スライスを作成
地域固有のモデル評価のために地理的リージョンごとのスライスを作成
アノテーターが頻繁に誤るケースの difficult-cases スライスを作成
クラウドストレージインテグレーション 大規模衛星画像コレクションには、クラウドストレージインテグレーション を使用して S3 または GCS バケットを直接接続してください。Avala は別途アップロードステップを必要とせずにバケットから画像を読み取ります。
クラウドストレージは 10,000 画像を超える衛星画像データセットに推奨されます。アップロードのボトルネックを回避し、お客様のストレージにお客様の暗号化と保持ポリシーでデータを保持できます。
パイプラインの例 Satellite / aerial imagery collection -> Store in S3 or GCS bucket -> Connect to Avala via cloud storage integration -> Create dataset, attach metadata (region, date, satellite) -> Create slices for training/validation splits -> Create annotation project (segmentation for land cover, polygons for buildings) -> Annotators label imagery with review stages -> Export in COCO or GeoJSON-compatible format -> Train remote sensing model -> Use model predictions for next round of auto-labeling
はじめましょう
画像の準備
画像を JPEG または PNG フォーマットに変換します。地理参照データの場合、座標メタデータはサイドカーファイルまたは GIS システムに保持してください — Avala は画像ピクセルを処理します。
アップロードまたはストレージの接続
小規模データセットの場合は直接アップロード。大規模コレクションの場合はクラウドストレージインテグレーションで S3 または GCS バケットを接続します。
メタデータとスライスで整理
アイテムにメタデータ（地域、日付、ソース衛星）を付加します。トレーニング/バリデーション分割と地理的サブセット用にスライスを作成します。
アノテーションプロジェクトの作成
ラベルタクソノミー（土地被覆クラス、建物タイプ、インフラカテゴリ）を定義します。タスクに合ったアノテーションタイプを選択します。
アノテーションとレビュー
ワークバッチでチーム全体に作業を配分します。マッピンググレードの精度要件にはマルチステージレビューを使用します。
エクスポートとトレーニング
アノテーションをエクスポートし、API または SDK 経由でリモートセンシングトレーニングパイプラインに統合します。
次のステップ
ポリゴンツール 建物フットプリントとインフラのための精密な境界トレーシング。
セグメンテーションツール 土地被覆と地形マッピングのためのピクセルレベル分類。
クラウドストレージ 大規模画像コレクション用に S3 または GCS バケットを接続。
ベストプラクティス データセット整理、API 使用、アノテーションワークフロー最適化のヒント。
