Геопространственное CV: спутники/SAR и большие тайлы

Задача страницы. Практический гайд по обработке спутниковых и радарных (SAR) сцен на облачных GPU: много‑диапазонные растры, огромные объёмы, тайлинг/пирамиды, проекции и репроекция, сегментация/классификация/детекция изменений, SAR‑специфика (спекл, поляризация, ко‑регистрация), профили VRAM/диска, наблюдаемость и расчёт стоимости.

TL;DR

Нормализуйте сцены: радиометрия, выравнивание проекций, облака/тени, ко‑регистрация (для SAR/временных рядов).
Работайте тайлами 512–1024 px с overlap 32–64 px, храните пирамиды уровней и метаданные сцены.
Batch‑потоки (мозаики, исторические архивы) гоняйте в пулах interruptible (чанк ≤ 2 мин, NVMe‑кэш); онлайн‑тайл‑инференс — в on‑demand под SLA latency.
Смежные разделы: CV‑хаб — https://cloudcompute.ru/solutions/computer-vision/ • сегментация/ROI — https://cloudcompute.ru/solutions/computer-vision/sam/ • эмбеддинги/поиск — https://cloudcompute.ru/solutions/computer-vision/dinov2/ • векторные БД — https://cloudcompute.ru/solutions/rag/vector-db/ • хранение — https://cloudcompute.ru/solutions/storage-data/ • тюнинг — https://cloudcompute.ru/solutions/performance-tuning/ • наблюдаемость — https://cloudcompute.ru/solutions/monitoring-logging/ и https://cloudcompute.ru/solutions/llm-inference/observability/ • экономика — https://cloudcompute.ru/solutions/cost-planner/ • прерываемые пулы — https://cloudcompute.ru/solutions/interruptible-patterns/ • баланс throughput↔latency — https://cloudcompute.ru/solutions/throughput-vs-latency/ • сервинг — https://cloudcompute.ru/solutions/triton-inference-server/

Сценарии использования

Сегментация покрытий (землепользование, вода/суша, дороги/застройка).
Детекция изменений (пары/серии дат): вырубки, затопления, стройка, сезонность.
SAR‑аналитика: водные поверхности, судоходство, ледовая обстановка, деформация (ко‑регистрация/когерентность).
Геораспознавание объектов: площадки, линии ЛЭП/трубопроводы (с ROI/подсказками).
Каталоги/ретривал: поиск похожих сцен/плиток, dedup, быстрая навигация.

Данные и нормализация

Оптика (мультиспектр):

Приведение к единому диапазону значений (например, TOA/BOA отражательность), маска облаков/теней, выравнивание освещённости.
Каналы: RGB + NIR/SWIR; индексы вида: NDVI = (NIR−R)/(NIR+R), NBR, NDWI — как дополнительные входы/фичи.

SAR (радар):

Поляризация VV/VH/HH/HV, лог‑амплитуда, спекл‑шум (мульти‑лук/фильтрация), радиометрическая коррекция (RTC), геокодирование.
Для временных рядов — ко‑регистрация сцен и (по задаче) когерентность.

Геопривязка/проекции:

Приводите к единой проекции (WGS84/UTM по задаче), храните transform, crs, bbox.
Для мозаик — фиксируйте тайловую сетку и масштаб, чтобы модели видели одинаковый метраж на пиксель.

Тайлинг, пирамиды и стыки - Размер тайла: 512–1024 px (512 — больше параллелизма; 1024 — меньше швов), overlap 32–64 px.

Пирамиды уровней: храните 2–4 уровня (¼, ½, 1×, 2×) для адаптивной нагрузки и multi‑scale инференса.
Сборка масок: объединяйте логиты с весами по краям (гауссов блендинг), затем морфологическая правка.
Границы сцены: маски «без данных» и водяные знаки/облака учитывайте в метриках качества.

Алгоритмы/задачи: оптика vs SAR

Класс	Оптика	SAR
Сегментация	U‑Net/ViT‑сегм, каналы RGB+NIR(+индексы)	U‑Net‑подобные по лог‑амплитуде/поляризации
Классификация тайлов	ViT/ResNet‑подобные, аугментации	Пространство лог‑ампл., спекл‑устойчивые аугм.
Детекция изменений	Siamese/temporal encoder, индексы Δ	Ко‑рег. пар, когерентность/амплитудные Δ
Распознавание объектов	Детекторы/ROI + постпроц	Детекторы на лог‑ампл., CFAR‑подсказки
Ретривал	Эмбеддинги DINOv2/CLIP	Эмбеддинги на лог‑ампл./поляризациях

См. ROI/интерактив — https://cloudcompute.ru/solutions/computer-vision/sam/ • Эмбеддинги/поиск — https://cloudcompute.ru/solutions/computer-vision/dinov2/

Типовые пайплайны

A) Сегментация покрытий (мозаика, batch)

Сырьё (мультиспектр/SAR) → нормализация/маски → репроекция → тайлинг (512–1024, overlap 32–64)

→ инференс (fp16, батч 4–16) → сборка логитов → постпроц (морфология/границы) → экспорт (GeoTIFF/вектор)

Режим: interruptible; отчет по площади/классам; кэш на NVMe. См. https://cloudcompute.ru/solutions/interruptible-patterns/ и https://cloudcompute.ru/solutions/storage-data/

B) Детекция изменений (пары/серии)

Сцена t0 + t1 (ко-рег) → индексы Δ/когерентность (SAR) → siamese/temporal инференс

→ маска изменений → фильтры ложных срабатываний → отчёт/алерты

Режим: batch (архив) или on‑demand (оперативка); SLA по p95 если онлайн.

C) Онлайн тайл‑инференс (низкая латентность)

Запрос /tile?z/x/y&bands → чтение пирамиды → препроц → инференс на тайл → постпроц → PNG/GeoTIFF/вектор

↘ логи/метрики → дашбордыРежим: on‑demand, p95 < 60–200 мс/тайл при прогретых весах. Сервинг графов — https://cloudcompute.ru/solutions/triton-inference-server/ Профили GPU/VRAM и пропускная способность

Ориентиры для fp16/bf16, 1024² тайл, батч/параллелизм умеренные, прогретые веса.

Профиль	Сегментация batch (тайл/мин)	Онлайн тайл‑инференс (p95 мс)	Комментарии
24 ГБ (Compact)	800–1 800	120–200	Старт/пилоты, тайлы 512–1024
48 ГБ (Balanced)	1 800–3 600	70–140	Прод‑мозаики/онлайн тайлы
80 ГБ (HQ)	3 600–6 000	45–100	Большие пайплайны, multi‑scale/мульти‑модель

Фактические цифры зависят от диапазонов/каналов, резолюции, постпроцесса и I/O. Тюнинг — https://cloudcompute.ru/solutions/performance-tuning/

Хранилище, индексация и NVMe‑кэш

Слои хранения: горячий NVMe (веса/пирамиды/кэш тайлов), тёплое объектное (каталоги сцен), холодное архивное.
Структура путей: /provider/product/YYYY/MM/scene_id/zoom/row/col.tif|.npy и манифест метаданных.
Индексация: по bbox/time/bands/cloud_coverage/polarization; быстрый выбор тайлов по AOI и дате.=
Эмбеддинги тайлов для ретривала/QA — https://cloudcompute.ru/solutions/computer-vision/dinov2/ • индексы/поиск — https://cloudcompute.ru/solutions/rag/vector-db/

Подробнее о хранении и переносе датасетов — https://cloudcompute.ru/solutions/storage-data/

Конфиги (YAML) — batch/онлайн

A) Batch‑сегментация (мозаика, мультиспектр/SAR)

pipeline: geo-segmentation-batch
input:
 catalog: s3://geodata/catalog/
 aoi: geojson://projects/area_A.geojson
 time_range: ["2024-04-01","2024-08-31"]
normalize:
 optical:
 toa_reflectance: true
 cloud_mask: true
 sar:
 rtc: true
 log_amp: true
 speckle_filter: "lee"
reproject:
 target_crs: "UTM-zone"
 pixel_size_m: 10
tiling:
 size: 1024
 overlap: 64
model:
 family: unet_vit
 precision: fp16
 batch: 8
merge:
 blend: gaussian
 morph_close: 3
export:
 raster: geotiff
 vectorize: true
 out: s3://geodata/outputs/landcover_A/
runtime:
 mode: batch
 chunk_seconds: 120
 retries: 3
 nvme_cache: true

B) Детекция изменений (пары t0/t1)

pipeline: geo-change-detection
pairs:
 strategy: "closest_in_window"
 window_days: 15
preprocess:
 coregister: true
 indices: [ndvi, ndwi]
 sar_coherence: true
model:
 family: siamese_unet
 precision: bf16
postprocess:
 threshold: 0.5
 remove_small: 100 m2
export:
 mask: geotiff
 report: json
runtime:
 mode: batch
 chunk_seconds: 90

C) Онлайн тайл‑инференс (низкая латентность)

pipeline: geo-tile-infer
tiles:
 source: s3://geodata/tiles/pyramid/
 formats: [cog, npy]
server:
 api: http
 endpoint: /v1/tile
 sla_p95_ms: 120
model:
 family: unet_vit
 precision: fp16
 warmup: true
output:
 format: png_alpha # или geotiff
 overlay: false
observability:
 metrics: prometheus
 traces: otlp

Сервинг ансамблей — https://cloudcompute.ru/solutions/triton-inference-server/ • UI/API — https://cloudcompute.ru/solutions/gradio-fastapi/

Метрики качества/скорости и дашборды

Сбор/дашборды — https://cloudcompute.ru/solutions/monitoring-logging/ и https://cloudcompute.ru/solutions/llm-inference/observability/

Качество: IoU/Dice по классам, точность вблизи стыков, ложные изменения (для Δ), доля «пустых» тайлов.
Скорость: tiles/min (batch), p50/p95 latency (онлайн), GPU util/HBM, VRAM пик, cache‑hit NVMe.
Сервис: ошибки чтения тайлов/ко‑регистрации/репроекции, таймауты.
Алерты: рост p95/ошибок, падение IoU, деградация кэша.

Экономика и расчёты

Пусть t_tile — среднее время инференса тайла (сек), A_tile — площадь тайла в км² (по масштабу), c_gpu — цена GPU/час.

Batch:

Tiles_per_hour ≈ 3600 / t_tile

Cost_per_1M_tiles ≈ (1_000_000 / Tiles_per_hour) × c_gpu × Num_GPU

Cost_per_1000_km2 ≈ (1000 / A_tile) × (t_tile × c_gpu / 3600) × Num_GPU

Онлайн:

QPS ≈ 1 / t_tile # при одиночных запросах без кэша

Cost_per_tile ≈ (c_gpu / 3600) × t_tile

Планирование профилей и сравнение on‑demand vs interruptible — https://cloudcompute.ru/solutions/cost-planner/ и https://cloudcompute.ru/solutions/interruptible-patterns/

Безопасность и политика

Контроль доступа к геоданным (по регионам/проектам), аудит вызовов, шифрование.
Ограничение параметров API: max_zoom, max_area, лимиты частоты.
Маскирование чувствительных объектов/координат в публичных превью.

Подробнее — https://cloudcompute.ru/solutions/security/ и https://cloudcompute.ru/solutions/llm-inference/guardrails/

Траблшутинг

Симптом	Причина	Что сделать
«Швы» между тайлами	Недостаточный overlap/слияние	Увеличить overlap 32→64, включить гауссов блендинг, пост‑морфология
Сдвиги на парах t0/t1	Нет ко‑регистрации/разные проекции	Включить ко‑рег, единая сетка/CRS, единый pixel\_size
Ложные изменения	Облака/тени/сезонность	Маскировать облака/тени, вводить сезонные фичи/нормализацию
«Соль» на SAR	Спекл‑шум	Мульти‑лук, мягкая фильтрация, агрегация по времени
Медленно на пирамиде	Холодный кэш/мелкие I/O	NVMe‑кэш пирамид, объединение чтений, батч запросов
OOM на больших каналах	Слишком много бэндов/батч	Снизить число каналов/батч, fp16/bf16, градиент‑освобождение

Как запустить в cloudcompute.ru

Шаблоны — https://cloudcompute.ru/solutions/templates/

“Geo‑Segmentation (Batch)” — нормализация/репроекция, тайлинг/пирамиды, сегментация, сборка, отчёты.
“Geo‑Change (Pairs/Series)” — ко‑регистрация, индексы/когерентность, Δ‑инференс, фильтры.
“Geo‑Tile Inference (Online)” — HTTP API, SLA p95, PNG/GeoTIFF, метрики/алерты.

Инфраструктура: тюнинг — https://cloudcompute.ru/solutions/performance-tuning/ • хранилище — https://cloudcompute.ru/solutions/storage-data/ • наблюдаемость — https://cloudcompute.ru/solutions/monitoring-logging/ • сервинг — https://cloudcompute.ru/solutions/triton-inference-server/ • CI/CD — https://cloudcompute.ru/solutions/containers-ci-cd/

Чек‑лист перед продом

Определены задачи: покрытие/изменения/объекты, оптика/SAR, онлайновый/батч режим.
Зафиксированы проекция/сетку/масштаб и нормализация (облака/RTC/лог‑ампл).
Подобраны размер тайла/overlap, профили GPU (24/48/80 ГБ), подтверждён VRAM/throughput.
Настроены пирамиды, NVMe‑кэш, структура каталога/индексов.
Подключены метрики/алерты/трейсинг; введены ограничения API.
Рассчитаны Cost_per_1M_tiles и/или Cost_per_1000_km2, выбран режим пулов (on‑demand/interruptible).

Навигация по разделу «Компьютерное зрение»

Готовы запустить?

Запустить GPU-сервер