Guide des Flux de Travail

Ce guide présente les flux de travail courants de traitement avec des représentations visuelles pour vous aider à comprendre le flux de données et les points de décision.

Navigation

Flux de Travail de Base - Pipeline de traitement standard
Flux de Travail Accéléré GPU - Traitement GPU haute performance
Flux de Travail Smart Skip - Reprendre les tâches interrompues
Traitement Parallèle - Traitement multi-worker
Meilleures Pratiques - Flux de travail optimisés pour différents scénarios

🚀 Flux de Travail de Base

Le flux de travail le plus courant pour traiter les données LiDAR en jeux de données prêts pour le ML.

Référence au Diagramme

Pour le diagramme complet du flux de travail de base, voir Diagrammes de Flux de Travail - Pipeline de Traitement de Base.

Le flux de travail comprend les étapes clés suivantes :

Vérification de Disponibilité des Données : Vérifier si les tuiles LiDAR sont déjà téléchargées
Téléchargement : Acquérir les tuiles depuis les serveurs IGN si nécessaire
Validation : S'assurer que les fichiers téléchargés sont valides
Enrichissement : Ajouter des caractéristiques géométriques et la classification des composants de bâtiment
Augmentation RGB : Ajouter optionnellement des informations de couleur depuis les orthophotos
Traitement : Créer des patches d'entraînement pour l'apprentissage automatique RGB -->|No| SkipRGB[LiDAR Only]

FetchRGB --> Features[Enriched LAZ Ready] SkipRGB --> Features

Features --> Process[Create Training Patches] Process --> Output[ML Dataset Ready] Output --> End([Process Complete])

Error1 --> End

style Start fill:#e8f5e8 style End fill:#e8f5e8 style Download fill:#e3f2fd style Analyze fill:#c8e6c9 style CleanData fill:#fff9c4 style Enrich fill:#fff3e0 style Process fill:#f3e5f5 style Output fill:#e8f5e8

## ⚡ Flux de Travail Accéléré GPU

Flux de travail pour le traitement de grands jeux de données avec accélération GPU (v1.3.0+).

```mermaid
flowchart TD
    Start([Start GPU Processing]) --> CheckGPU{GPU Available?}

    CheckGPU -->|Yes| GPUSetup[Initialize GPU<br/>CuPy + CUDA]
    CheckGPU -->|No| Fallback[⚠️ Fallback to CPU]

    GPUSetup --> LoadData[Load Point Cloud]
    Fallback --> LoadData

    LoadData --> TransferGPU[Transfer to GPU Memory]
    TransferGPU --> FeatureGPU[🚀 GPU Feature Computation<br/>5-10x faster]

    FeatureGPU --> RGBCheck{Include RGB?}
    RGBCheck -->|Yes v1.5.0+| RGBFetch[Fetch Orthophoto]
    RGBCheck -->|No| FeaturesDone[Features Complete]

    RGBFetch --> RGBCache{In GPU Cache?}
    RGBCache -->|Yes| RGBInterpolate[⚡ GPU Color Interpolation<br/>24x faster]
    RGBCache -->|No| RGBLoad[Load to GPU Cache]
    RGBLoad --> RGBInterpolate

    RGBInterpolate --> Combine[Combine Features + RGB]
    FeaturesDone --> Combine

    Combine --> TransferCPU[Transfer to CPU]
    TransferCPU --> SaveOutput[Save Enriched LAZ]

    SaveOutput --> MoreData{More Data?}
    MoreData -->|Yes| LoadData
    MoreData -->|No| End([Processing Complete])

    style Start fill:#e8f5e8
    style End fill:#e8f5e8
    style GPUSetup fill:#e3f2fd
    style FeatureGPU fill:#c8e6c9
    style RGBInterpolate fill:#c8e6c9
    style Fallback fill:#fff3e0

Bénéfices de Performance GPU

Opération	Temps CPU	Temps GPU	Accélération
Extraction de Features	45s	6s	8x
Interpolation RGB	12s	0.5s	24x
Calcul de Normales	30s	5s	6x
Total (1M pts)	~87s	~11.5s	7.5x

Conseils d'Optimisation GPU

Cache des tuiles RGB - Réutiliser les orthophotos entre les patches
Traitement par lot - Traiter plusieurs tuiles en séquence
Surveiller la mémoire GPU - Utiliser nvidia-smi pour vérifier l'utilisation
Utiliser workers=1 avec GPU - Le GPU parallélise en interne

Voir Vue d'ensemble GPU pour les instructions de configuration détaillées.

🔄 Flux de Travail Smart Skip

Comprendre comment le système de saut intelligent optimise les exécutions répétées.

🏗️ Flux de Travail de Traitement Parallèle

Comment la bibliothèque gère le traitement multi-worker pour une performance optimale.

🎯 Flux de Travail de Classification LOD

Comprendre comment les composants de bâtiment sont classifiés en niveaux LOD.

🎯 Pipeline d'Enrichissement Amélioré (v1.7.1)

Vue détaillée du flux de travail d'enrichissement complet avec auto-params et prétraitement.

📊 Pipeline d'Extraction de Features

Vue détaillée du processus de calcul des caractéristiques géométriques.

🔧 Arbre de Décision de Configuration

Comment choisir les paramètres optimaux pour votre cas d'usage.

💡 Flux de Travail de Meilleures Pratiques

Traitement de Zone Urbaine

# Optimisé pour les environnements urbains denses
ign-lidar-hd download --bbox 2.0,48.8,2.1,48.9 --output urban_tiles/
ign-lidar-hd enrich --input-dir urban_tiles/ --output urban_enriched/ --use-gpu --k-neighbors 30
ign-lidar-hd process --input-dir urban_enriched/ --output urban_patches/ --lod-level LOD3

Traitement de Zone Rurale/Naturelle

# Optimisé pour les environnements ruraux clairsemés
ign-lidar-hd download --bbox -1.0,46.0,0.0,47.0 --output rural_tiles/
ign-lidar-hd enrich --input-dir rural_tiles/ --output rural_enriched/ --k-neighbors 15
ign-lidar-hd process --input-dir rural_enriched/ --output rural_patches/ --lod-level LOD2

Traitement par Lot Haute Performance

# Débit maximal pour les grands jeux de données
ign-lidar-hd enrich --input-dir tiles/ --output enriched/ --use-gpu --num-workers 8 --batch-size large
ign-lidar-hd process --input-dir enriched/ --output patches/ --num-workers 16 --skip-existing

Accélération GPU avec RGB (v1.5.0+)

# Traitement le plus rapide avec augmentation RGB GPU
ign-lidar-hd enrich \
  --input-dir tiles/ \
  --output enriched/ \
  --use-gpu \
  --add-rgb \
  --rgb-cache-dir /data/rgb_cache/ \
  --num-workers 4

# Créer des patches avec RGB en cache
ign-lidar-hd process \
  --input-dir enriched/ \
  --output patches/ \
  --lod-level LOD3 \
  --num-workers 8

📚 Documentation Associée

Guide d'Accélération GPU - Configuration et optimisation GPU détaillées
Guide RGB GPU - Augmentation RGB accélérée par GPU (v1.5.0+)
Architecture - Architecture système et composants
Commandes CLI - Référence CLI complète
Smart Skip - Détails du système de saut intelligent
Classification LOD - Classification LOD2/LOD3

💡 Conseils pour la Sélection du Flux de Travail

Choisir le Flux de Travail de Base quand :

✅ Apprentissage de la bibliothèque
✅ Traitement de < 10 tuiles
✅ Pas de GPU disponible
✅ Prototypage et tests

Choisir le Flux de Travail GPU quand :

✅ Traitement de > 50 tuiles
✅ GPU NVIDIA disponible
✅ Pipelines de production
✅ Projets urgents

Choisir Smart Skip quand :

✅ Reprise de tâches interrompues
✅ Traitement itératif
✅ Grands jeux de données avec échecs
✅ Mises à jour incrémentales

Traitement Parallèle pour :

✅ Systèmes multi-cœurs
✅ Traitement par lot
✅ Environnements de production
✅ Maximisation du débit

🚀 Flux de Travail de Base​

Bénéfices de Performance GPU​

🔄 Flux de Travail Smart Skip​

🏗️ Flux de Travail de Traitement Parallèle​

🎯 Flux de Travail de Classification LOD​

🎯 Pipeline d'Enrichissement Amélioré (v1.7.1)​

📊 Pipeline d'Extraction de Features​

🔧 Arbre de Décision de Configuration​

💡 Flux de Travail de Meilleures Pratiques​

Traitement de Zone Urbaine​

Traitement de Zone Rurale/Naturelle​

Traitement par Lot Haute Performance​

Accélération GPU avec RGB (v1.5.0+)​

📚 Documentation Associée​

💡 Conseils pour la Sélection du Flux de Travail​

Choisir le Flux de Travail de Base quand :​

Choisir le Flux de Travail GPU quand :​

Choisir Smart Skip quand :​

Traitement Parallèle pour :​