Aller au contenu principal

Bibliothèque de Traitement LiDAR HD de l'IGN

Version 1.7.6 | Python 3.8+ | Licence MIT

PyPI version Python 3.8+ License: MIT

📺 Vidéo de Démonstration​

Démonstration du Traitement IGN LiDAR HD

Apprenez à traiter les données LiDAR pour les applications d'apprentissage automatique

🎉 Dernière Version : v1.7.6​

🚀 OPTIMISATION MASSIVE des Performances - Accélération 100-200x​

La dernière version élimine un goulot d'étranglement critique grâce au calcul vectorisé des caractéristiques :

Améliorations Clés :

  • ⚡ Opérations Vectorisées : Remplacement des boucles PCA par point par calcul de covariance par batch avec einsum
  • 💯 Utilisation GPU à 100% : GPU pleinement utilisé (était bloqué à 0-5% avant)
  • 🎯 Tous les Modes Optimisés : CPU, GPU sans cuML, et GPU avec cuML tous optimisés
  • ⏱️ Impact Réel : 17M points en ~30 secondes (était bloqué à 0% pendant des heures !)
  • 🔧 Correction Stabilité GPU : Correction des erreurs CUSOLVER_STATUS_INVALID_VALUE avec application de la symétrie matricielle et régularisation
Aucune Configuration Nécessaire

Vos commandes existantes bénéficient automatiquement de l'accélération 100-200x :

# Même commande, drastiquement plus rapide !
ign-lidar-hd enrich --input-dir data/ --output output/ \
  --auto-params --preprocess --use-gpu

Performance Vérifiée :

  • ✅ CPU : 90k-110k points/sec (test 50k points)
  • ✅ GPU : Utilisation 100%, 40% VRAM
  • ✅ Pipeline complet : 17M points en 3-4 minutes

📖 Détails Optimisation | Guide GPU

Mises à Jour Précédentes​

v1.7.4 - Accélération GPU​

  • 🚀 Support RAPIDS cuML : Accélération 12-20x avec GPU complet
  • ⚡ Mode GPU Hybride : Accélération 6-8x avec CuPy (cuML non requis)
  • 🔧 Trois Niveaux de Performance : CPU (60 min), Hybride (7-10 min), GPU complet (3-5 min)
  • 📚 Documentation Améliorée : Guides complets de configuration GPU en anglais et français

v1.7.3 - Augmentation Infrarouge​

  • 🌿 Valeurs NIR : Proche infrarouge depuis orthophotos IRC IGN
  • 📊 Prêt pour NDVI : Permet le calcul d'indices de végétation
  • 🎨 Multi-Modal : Géométrie + RGB + NIR pour ML
  • 💾 Cache Intelligent : Mise en cache efficace disque/GPU

v1.7.1 - Analyse Auto-Paramètres​

  • 🤖 Analyse Automatique de Dalle : Détermine les paramètres de traitement optimaux
  • 🎯 Traitement Adaptatif : Paramètres personnalisés par dalle selon caractéristiques
  • ⚡ Zéro Ajustement Manuel : Élimine les conjectures pour dalles urbaines/rurales/mixtes

Démarrage Rapide​

Bienvenue dans la documentation de la Bibliothèque de Traitement LiDAR HD IGN !

Transformez les données LiDAR françaises en jeux de données prêts pour l'apprentissage automatique avec cette boîte à outils Python complète. 🏗️

Pourquoi utiliser cette bibliothèque ?
  • 🎯 Spécialisée pour le LiDAR Français : Optimisée pour le format LiDAR HD IGN
  • ⚡ Prête pour la Production : Testée en conditions réelles avec plus de 50 dalles
  • 🚀 Accélérée par GPU : Support CUDA optionnel pour un traitement 12-20x plus rapide
  • 🌈 Extraction de Caractéristiques Riche : Plus de 28 caractéristiques géométriques et colorimétriques
  • 🌿 Multi-modal : Support Géométrie + RGB + Infrarouge
  • 📦 Prête pour Pipeline : Configuration YAML, cache intelligent, reprise possible
  • 🔧 Flexible : Outils CLI + API Python

Installation Rapide​

Installer la bibliothèque :

pip install ign-lidar-hd

Traiter votre première dalle :

ign-lidar-hd enrich \
  --input-dir data/raw_tiles \
  --output data/enriched \
  --auto-params \
  --preprocess \
  --add-rgb \
  --add-infrared

Avec accélération GPU :

# Installer le support GPU (configuration unique)
./install_cuml.sh

# Traiter avec GPU
ign-lidar-hd enrich \
  --input-dir data/raw_tiles \
  --output data/enriched \
  --auto-params \
  --preprocess \
  --use-gpu \
  --add-rgb \
  --add-infrared

📖 Continuez vers Installation pour des instructions de configuration détaillées.

Fonctionnalités​

Capacités Principales​

  • 🗺️ Intégration Données IGN : Téléchargement direct depuis le service WFS IGN
  • 🎨 Augmentation RGB : Ajout de couleurs réelles depuis photos aériennes IGN
  • 🌿 Augmentation Infrarouge : Ajout NIR pour analyse végétation (prêt NDVI)
  • 📊 Caractéristiques Riches : Plus de 28 caractéristiques géométriques (normales, courbure, planarité, etc.)
  • 🏠 Classification Bâtiments : Classification LoD0/LoD1/LoD2/LoD3
  • 🚀 Accélération GPU : Accélération 12-20x avec RAPIDS cuML
  • 🔧 Atténuation Artefacts : Suppression valeurs aberrantes statistique + par rayon
  • 🤖 Auto-Paramètres : Analyse et optimisation automatique des dalles

Modes de Traitement​

ModeVitessePrérequisCas d'Usage
CPUBaseline (60 min/dalle)Python 3.8+Développement, petits jeux
GPU Hybride6-8x plus rapide (7-10 min)GPU NVIDIA, CuPyBon équilibre
GPU Complet12-20x plus rapide (3-5 min)GPU NVIDIA, RAPIDS cuMLProduction, gros jeux de données

Formats de Sortie​

  • LAZ 1.4 : Attributs étendus (28+ caractéristiques) - Recommandé
  • LAZ 1.2 : Compatible CloudCompare (RGB + caractéristiques de base)
  • Couches QGIS : Couches stylisées séparées pour visualisation
  • Statistiques : Métriques JSON pour suivi qualité

Structure de la Documentation​

📚 Installation

⚡ Guides

🎨 Fonctionnalités

🔧 Référence API

Performance​

Avec l'optimisation vectorielle v1.7.5 :

PointsCPUGPU (cuML)Accélération
1M10s<1s15-20x
5M50s3s100-150x
17M180s30s100-200x

Exemple réel (dalle 17M points) :

  • Prétraitement : ~2 minutes
  • Caractéristiques : ~30 secondes (vectorisé !)
  • Augmentation RGB : ~30 secondes
  • Augmentation infrarouge : ~30 secondes
  • Total : 3-4 minutes (était des heures avant l'optimisation !)

Communauté​

Licence​

Ce projet est sous licence MIT - voir le fichier LICENSE pour plus de détails.

Prochaines Étapes​

Prêt à vous lancer ? Commencez avec le Guide de Démarrage Rapide pour installer la bibliothèque et traiter votre première dalle !

Pour l'accélération GPU (recommandée pour la production), consultez le Guide de Configuration GPU.