Les fonctionnalités cartographiques d’OpenStreetMap mises en œuvre par vision par ordinateur

• Mozilla.ai estime que l’intelligence artificielle (IA) offre de nombreuses opportunités pour renforcer les communautés grâce à la collaboration ouverte.
• Ces opportunités doivent être conçues avec soin, tandis que les inquiétudes liées à une utilisation excessive de l’IA augmentent.
• C’est dans ce contexte qu’a été développé et lancé l’OpenStreetMap AI Helper Blueprint.
• Pourquoi OpenStreetMap ?
  • Les données sont un composant essentiel des applications d’IA, et OpenStreetMap s’appuie sur une communauté active qui maintient la base de données cartographique ouverte la plus complète.
  • OpenStreetMap fournit des données variées, comme les routes ou les gares ferroviaires, et, combiné à des images satellite, offre des possibilités quasi infinies pour entraîner différents modèles d’IA.
  • L’objectif est d’accélérer les parties lentes du processus de cartographie grâce à l’IA, tout en conservant une validation humaine sur les étapes importantes.
• Pourquoi la vision par ordinateur ?
  • De nombreuses entités cartographiques sont représentées sous forme de polygones, et leur repérage comme leur tracé prennent beaucoup de temps.
  • Les modèles de vision par ordinateur peuvent accomplir facilement ces tâches lorsqu’ils disposent de suffisamment de données.
  • Les modèles YOLOv11 et SAM2 sont utilisés pour la détection d’objets et la segmentation ; ils sont légers, rapides et adaptés à une utilisation en local.
• OpenStreetMap AI Helper Blueprint
  • Étape 1 : créer un jeu de données de détection d’objets à partir d’OpenStreetMap
    • Combiner les données OpenStreetMap avec des images satellite et les convertir dans un format adapté à l’entraînement.
    • Télécharger les données des zones d’intérêt à l’aide des API Nominatim et Overpass, puis les enregistrer au format Ultralytics YOLO.
  • Étape 2 : affiner le modèle de détection d’objets
    • Affiner le modèle YOLOv11, puis le téléverser sur Hugging Face Hub.
  • Étape 3 : contribuer à OpenStreetMap
    • Utiliser le modèle affiné pour exécuter l’inférence sur plusieurs tuiles, puis téléverser vers OpenStreetMap les nouveaux objets après validation manuelle.
• Réflexions finales
  • OpenStreetMap est un exemple puissant de collaboration ouverte pour créer une carte mondiale pilotée par la communauté.
  • OpenStreetMap AI Helper Blueprint montre comment l’IA peut renforcer les contributions humaines et souligne la valeur de données de haute qualité.
  • Avec ce Blueprint, il est possible de cartographier environ 5 fois plus de piscines qu’avec un travail manuel sur la même durée.
  • Il est recommandé d’expérimenter l’entraînement de modèles pour d’autres entités cartographiques, ainsi que de contribuer au projet ou de l’étendre.

[depth221]

Après vérification, il semble que Map Feature se traduise généralement par « objet cartographique ».

[GN⁺]

Commentaires sur Hacker News

• Bonjour de la part de l’OpenStreetMap Foundation. Les éléments détectés par l’IA ne doivent pas être ajoutés directement à la base de données

  • Les algorithmes ont des problèmes de faux positifs et ont tendance à cartographier de façon tremblante les objets rectilignes ou rectangulaires
  • C’est utile comme outil pour détecter des éléments manquants, mais une intervention humaine est nécessaire pour vérifier que les objets détectés ont été correctement dessinés
  • Les directives correspondantes sont disponibles sur le wiki OpenStreetMap

• Après la détection des piscines, j’aimerais essayer aussi la détection des panneaux solaires

  • Beaucoup s’opposent à l’idée qu’OSM puisse se développer uniquement de façon manuelle
  • J’ai effectué 60 000 modifications en 10 ans, mais la passion des bénévoles humains ne suffit pas à résoudre la cartographie à l’échelle mondiale
  • Il faut un framework extensible permettant d’annoter la qualité des données, leur provenance, la manière de signaler les bugs et les consignes pour les consommateurs
  • Par exemple, si je veux interroger les « entreprises de type X cartographiées par des humains au cours de la dernière année », c’est partiellement possible avec la « date de vérification »
  • Mais on ne peut pas savoir si les attributs sont exacts ni si le cartographe a seulement vérifié le nom et l’emplacement
  • Il vaudrait peut-être mieux collecter les horaires d’ouverture de tous les lieux afin de maintenir automatiquement les données chaque mois
  • En tant que consommateur de données, il serait peut-être préférable de pouvoir filtrer uniquement des sources spécifiques dignes de confiance
  • On peut utiliser les données même avec des restrictions comme les POI inférés par l’IA

• Après avoir fait moi-même l’expérience de la cartographie automatisée, je suis devenu très méfiant

  • J’ai voyagé à moto en Amérique du Sud, et OSM contenait beaucoup de modifications qui semblaient automatisées, au point d’être presque inutilisable dans certaines zones
  • Cela se produit non seulement sur les routes rurales, mais aussi dans des villes assez grandes

• J’ai travaillé dans ce domaine il y a quelques années

  • Il existe déjà beaucoup de modèles, de jeux de données, d’outils, etc.
  • Les ressources associées sont disponibles sur GitHub

• Nous ne cartographions pas ce qui est visible sur les images satellite, mais des informations réelles au sol

  • Il ne faut pas contribuer avec ce que l’IA a imaginé

• Google ne l’autorise pas, mais Mapbox l’autorise pour un usage non commercial ou pour OSM

  • Il est possible de générer des jeux de données vectorielles dérivés à partir des images satellite de Mapbox

• J’aimerais que Mozilla se concentre sur la création d’un bon navigateur

• J’ai fait un travail similaire il y a quelques mois (données géographiques à petite échelle)

  • Les ressources associées sont disponibles sur GitHub

• J’aimerais voir des détails sur la manière de faire un fine-tuning de SAM/2 pour détecter des piscines ou des installations solaires

  • Ce serait utile pour des projets de résilience communautaire, mais je n’ai pas réussi à suivre le fine-tuning de SAM2
  • Le modèle Yolov8 repère et segmente bien le solaire, mais les contours sont très mauvais, ce qui demande beaucoup de travail
  • Les résultats entraînés avec SAM2 semblent bien meilleurs
  • Je ne les ajouterais pas à OSM à cause des problèmes de précision, mais ils peuvent être utilisés ailleurs

• On appelait cela du « head-up digitizing »