Recursos de mapa do OpenStreetMap implementados com visão computacional

• A Mozilla.ai acredita que a inteligência artificial (IA) oferece muitas oportunidades para fortalecer comunidades por meio da colaboração aberta.
• Essas oportunidades precisam ser projetadas com cuidado, e as preocupações com o uso excessivo de IA estão aumentando.
• Nesse contexto, foi desenvolvido e lançado o OpenStreetMap AI Helper Blueprint.
• Por que o OpenStreetMap?
  • Os dados são um componente importante das aplicações de IA, e o OpenStreetMap conta com uma comunidade ativa que mantém o banco de dados de mapas abertos mais completo.
  • O OpenStreetMap oferece diversos dados, como estradas e estações ferroviárias, e, combinado com imagens de satélite, oferece possibilidades praticamente ilimitadas para treinar diversos modelos de IA.
  • O objetivo é acelerar, com IA, as partes mais lentas do processo de mapeamento, mantendo a verificação humana nas partes importantes.
• Por que visão computacional?
  • Muitos elementos do mapa são representados como polígonos, e encontrar e desenhar esses elementos consome muito tempo.
  • Modelos de visão computacional conseguem realizar essas tarefas com facilidade quando recebem dados suficientes.
  • Os modelos YOLOv11 e SAM2 são usados para tarefas de detecção de objetos e segmentação, e esses modelos são leves, rápidos e adequados para uso local.
• OpenStreetMap AI Helper Blueprint
  • Etapa 1: criar um conjunto de dados de detecção de objetos a partir do OpenStreetMap
    • Combinar dados do OpenStreetMap com imagens de satélite e convertê-los para um formato adequado para treinamento.
    • Baixar os dados da área de interesse usando as APIs Nominatim e Overpass e salvá-los no formato Ultralytics YOLO.
  • Etapa 2: ajuste fino do modelo de detecção de objetos
    • Fazer o ajuste fino do modelo YOLOv11 e enviá-lo para o Hugging Face Hub.
  • Etapa 3: contribuir com o OpenStreetMap
    • Usar o modelo ajustado para executar inferência em vários tiles e, após validar manualmente os novos objetos, enviá-los ao OpenStreetMap.
• Considerações finais
  • O OpenStreetMap é um exemplo poderoso de colaboração aberta para criar um mapa-múndi guiado pela comunidade.
  • O OpenStreetMap AI Helper Blueprint mostra que a IA pode melhorar as contribuições humanas e destaca o valor de dados de alta qualidade.
  • Com o Blueprint, é possível mapear cerca de 5 vezes mais piscinas no mesmo tempo do que com trabalho manual.
  • Recomenda-se experimentar o treinamento de modelos para outros elementos do mapa, além de contribuir com o projeto ou expandi-lo.

[depth221]

Pelo que pesquisei, parece que Map Feature normalmente é traduzido como elemento cartográfico.

[GN⁺]

Comentários do Hacker News

• Saudações da OpenStreetMap Foundation. Recursos detectados por IA não devem ser adicionados diretamente ao banco de dados

  • Os algoritmos têm problemas de falsos positivos e de mapear objetos lineares ou retangulares de forma tremida
  • É útil como ferramenta para detectar recursos ausentes, mas é necessária intervenção humana para verificar se os objetos detectados foram desenhados corretamente
  • As diretrizes relacionadas podem ser consultadas no wiki do OpenStreetMap

• Depois da detecção de piscinas, quero tentar também a detecção de painéis solares

  • Há muita discordância da ideia de que o OSM pode crescer apenas manualmente
  • Fiz 60.000 alterações em 10 anos, mas só a paixão de voluntários humanos não consegue resolver o mapeamento em escala global
  • É necessário um framework escalável que permita anotar a qualidade dos dados, a procedência, como reportar bugs e orientações para consumidores
  • Por exemplo, quando quero consultar "negócios do tipo X mapeados por humanos no último ano", isso é possível em certa medida com a "data de verificação"
  • Mas não há como saber a precisão dos atributos nem se o mapeador verificou apenas nome/localização
  • Talvez seja melhor coletar o horário de funcionamento de todos os lugares para manter os dados automaticamente todo mês
  • Como consumidor de dados, talvez seja melhor se eu puder filtrar apenas fontes específicas confiáveis
  • Mesmo com limitações como POIs inferidos por IA, ainda seria possível usar os dados

• Depois de vivenciar mapeamento automatizado em primeira mão, fiquei muito cauteloso

  • Viajei de moto pela América do Sul e havia muitas edições no OSM que pareciam automatizadas, a ponto de em certas regiões ele ficar quase inutilizável
  • Isso acontece não só em estradas rurais, mas também em cidades relativamente grandes

• Trabalhei nessa área alguns anos atrás

  • Já existem muitos modelos, conjuntos de dados e ferramentas
  • O material relacionado pode ser visto no GitHub

• Não estamos mapeando o que aparece em imagens de satélite, e sim informações reais do terreno

  • Não se deve contribuir com coisas imaginadas pela IA

• O Google não permite isso, mas a Mapbox permite quando é para fins não comerciais ou para uso no OSM

  • É possível usar imagens de satélite da Mapbox para gerar conjuntos de dados vetoriais derivados

• Gostaria que a Mozilla se concentrasse em fazer um bom navegador

• Fiz um trabalho parecido alguns meses atrás (dados geográficos em pequena escala)

  • O material relacionado pode ser visto no GitHub

• Quero ver detalhes sobre como ajustar finamente o SAM/2 para detectar piscinas ou conjuntos de painéis solares

  • Isso seria útil para projetos de resiliência comunitária, mas não consegui acompanhar o fine-tuning do SAM2
  • O modelo Yolov8 encontra e segmenta bem painéis solares, mas as bordas ficam muito ruins, então dá muito trabalho
  • Os resultados treinados com SAM2 parecem muito melhores
  • Eu não adicionaria isso ao OSM por questões de precisão, mas poderia usar em outro lugar

• Isso era chamado de "digitalização heads-up"