部署、共享、重复：人工智能遇上分析仓库
3715 评价这篇文章:
5.0
部署、共享、重复：人工智能遇上分析仓库
Zachary Norman 2025年10月13日，星期一
即将发布的 ENVI® Deep Learning 4.0 使得导入、部署和共享 AI 模型变得前所未有的简单，包括使用行业标准的 ONNX 模型以及集成的分析仓库 (Analytics Repository)。
无论您是使用 PyTorch、TensorFlow 构建深度学习模型，还是使用 ENVI 的原生模型创建工具，ENVI Deep Learning 4.0 都精简了从训练到业务部署的路径。更好的是：您现在可以将模型发布到中央仓库，这样您的团队/组织就可以轻松地发现和重用它们，而无需通过电子邮件发送 ZIP 文件或复制文件夹。
这篇博客将带您了解什么是 ONNX、ENVI 如何支持它，以及如何将训练好的模型转变为 ENVI 环境中可共享、可重复、可部署的 AI 资产。
ENVI 中由后台运行的 ONNX 模型完成的云检测。
ONNX 简介
ONNX (Open Neural Network Exchange) 是一种用于表示机器学习和深度学习模型的开源格式。可以把它看作是 AI 模型的 PDF，一种通用文件格式，允许您在不同框架之间无缝迁移模型。
ONNX 不是锁定在某个特定框架中，而是充当训练和部署之间的桥梁。在您选择的框架中训练，导出为 ONNX 格式，然后在 ENVI 或其他环境中部署。
借助 ENVI Deep Learning 4.0，您可以直接导入 ONNX 模型。这意味着：
- 无需在 ENVI 内重新训练。
- 可以部署由数据科学团队或外部协作者构建的模型。
- 将 ONNX 模型集成到您的图像处理工作流中，就像使用原生 ENVI 训练的模型一样。
结果如何呢？分析仓库为跨团队的灵活性、协作和可用性提供了支持。
ONNX 遇见 ENVI
通过 ENVI 的界面和配置工具，将 ONNX 模型引入 ENVI 是直观的。
ONNX 的优势在于灵活性：可以在任何框架（如 PyTorch 或 TensorFlow）中训练，然后将您的模型引入 ENVI。但灵活性也带来了差异性。例如，您的模型可能：
- 期望通道优先 (channels-first) 的输入，而不是通道最后 (channels-last)
- 使用 z-score 归一化，而不是将数值除以 255 并从 0 到 1 归一化
为了确保您的模型按预期运行，ENVI 使您能够自定义输入和输出处理。您只需要两个轻量级的 Python 脚本：一个用于准备输入数据，另一个用于将模型输出映射到 ENVI 的预期。下面是一个示例：
用于将自定义 ONNX 模型连接到 ENVI 的示例预处理和后处理脚本。
其他细节，如输入尺寸、波段数、类别以及类别名称/颜色，都可以轻松地作为设置的一部分来包含。
不要让错误的输入毁掉一个好模型
将 ONNX 模型导入 ENVI 是实现业务化 AI 的一大步，但您的输出结果质量取决于您输入的数据质量。
许多深度学习模型是针对非常具体的数据格式进行训练的。这可能意味着字节缩放影像（值从 0 到 255）或地表反射率数据（值从 0 到 10,000 或 0.0 到 1.0）。有些模型期望 z-score 归一化；其他的则假定特定的波段或波段顺序。当我们将其与现实中变化很大的卫星影像配对时，情况就变得复杂了。
这就是为什么使您的输入与训练数据对齐至关重要。ENVI 为您提供了简便的工具来实现这一点。使用 ENVI Modeler，您可以：
- 对数据进行归一化或缩放以匹配训练输入
- 例如：应用拉伸、执行大气校正
- 根据需要选择和重新排序波段
- 将影像调整或重采样到预期的尺寸
- 例如：匹配训练数据的分辨率
- 处理无数据值或应用裁剪阈值
例如，以下是为飞机检测 ONNX 模型准备 4 波段 SkySat 地表反射率影像的方法：
- 从 4 波段输入影像中提取 RGB 波段
- 应用拉伸以获得干净的字节缩放表示
- 将预处理后的影像输入 AI 模型并返回结果。
用于准备 SkySat 影像进行分析的 ENVI Modeler 工作流。
这些预处理步骤弥合了原始影像与 AI 就绪输入之间的差距，为您的 ONNX 模型成功运行奠定基础。将它们与有关支持数据类型的简要指南、文档或其他信息结合起来，您就能让组织中的任何成员都能获得可靠的结果。
使用分析仓库进行发布和共享
一旦您的模型和预处理工作流准备就绪，只需点击几下即可将它们发布到分析仓库。从此，您的模型和工作流将：
- 被同事和团队发现
- 可跨项目重复使用，无需复制
- 可重复运行以获得一致的 AI 驱动结果
下图展示了 ENVI Modeler 中的发布对话框，其中处理工作流和 ONNX 模型已准备好共享。
展示了 ENVI Modeler 中发布对话框的截图，您可以在其中发布已配置为在 ENVI 中运行的 ONNX 模型。
总结
借助 ENVI Deep Learning 4.0，您可以：
- 轻松导入 ONNX 模型
- 自定义数据处理以满足模型期望
- 使用 ENVI 强大的图像工具预处理输入
- 在分析仓库中发布和共享 AI 工作流
从未如此轻松地从训练好的模型过渡到可部署、可共享的 AI 资产。
有问题或想了解更多信息？欢迎随时与我们联系。
开拓之路：SaraniaSat 领导的团队塑造星基分析的未来
轻松使用分析仓库共享工作流