Démarrage rapide
Deux façons de commencer : lancer vous-même le pipeline de détection complet, ou utiliser pypvroof seul sur des masques ou des contours que vous avez déjà.
1. Lancer le pipeline de détection complet
Clonez le dépôt et installez les dépendances. DeepPVMapper nécessite GDAL et un GPU compatible CUDA (8 Go+ de VRAM) pour exécuter classification et segmentation à grande échelle.
git clone https://github.com/gabrielkasmi/deeppvmapper.git
cd deeppvmapper
pip install -r requirements.txt
# Lancer le pipeline sur un seul département
python main.py --dpt 06Notes d'installation complètes — GDAL, CUDA, fichiers de configuration →
2. Extraire les caractéristiques PV avec pypvroof
Vous avez déjà des masques de segmentation ou des contours de champs ? pypvroof les transforme seul en estimations de surface, d'inclinaison, d'orientation et de puissance installée — inutile de lancer tout le pipeline.
pip install pypvroofimport geojson
from pypvroof import MetadataExtraction
arrays = geojson.load(open("path/to/arrays.geojson"))
params = {
"azimuth-method": "bounding-box",
"tilt-method": "lut",
"regression-type": "linear",
}
extractor = MetadataExtraction(p=params)
characteristics = extractor.extract_all_characteristics(arrays["features"][0])Code source
Paquets
pypvroof
Un paquet Python autonome qui extrait les caractéristiques des installations PV en toiture — surface, inclinaison, orientation et puissance installée — à partir de masques de segmentation et d'emprises de bâtiments. Utilisé en interne par DeepPVMapper, et utilisable seul sur n'importe quel jeu de détections de PV en toiture.
Voir sur PyPI →
bayesian-pv-census
La méthodologie bayésienne de correction des biais derrière l'audit des registres, extraite sous forme de paquet autonome et indépendant du domaine : elle transforme des comptages imparfaits d'un détecteur — à partir d'un échantillon validé de précision/rappel — en intervalles de crédibilité a posteriori, puis vérifie si les valeurs déclarées d'un registre s'y trouvent.
Voir sur PyPI →Poids des modèles et données d'entraînement
Poids des modèles
Les poids entraînés des modèles de classification (Inception v3) et de segmentation (DeepLab v3) de DeepPVMapper — prêts à être intégrés au pipeline, ou à affiner sur vos propres images.
Voir sur HuggingFace →
Jeu de données d'entraînement (BDAPPV)
Le jeu d'images aériennes annotées utilisé pour entraîner les modèles de DeepPVMapper — contours de champs PV et métadonnées d'installation sur un échantillon de toitures françaises.
Voir sur HuggingFace →Démo interactive
Un des premiers Spaces Hugging Face permettait de lancer DeepPVMapper sur une image d'exemple directement dans le navigateur. Il reste en ligne à titre de référence, mais n'est plus activement maintenu — attendez-vous à ce qu'il soit lent à démarrer et possiblement désynchronisé du pipeline et des modèles actuels.
Vous cherchez les détections elles-mêmes ? Parcourez le registre sur la page Données. Vous voulez lancer l'algorithme de détection vous-même ? Récupérez le code source ci-dessus.
Vous voulez l'architecture détaillée, la configuration d'entraînement et la méthodologie du pipeline ?
Lire la présentation complète du pipeline (en anglais) →