Veremes Jordi Gibert Marguerite Espada Frédéric Eichelbrenner
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Interface Interface optimisée et personnalisable • Nouvelle interface en mode sombre (dark mode) • Prévisualisation intégrée dans Workbench • Data Inspector : Mode animation • Amélioration de l’ancrage des fenêtres • Taille automatique des Transformers et Feature Types • Nouvelles palettes de couleurs pour les bookmarks • Amélioration des outils de commentaires
Cache d’entités et exécution partielle • Mécanismes apparus en 2018 • Améliorés en 2019 • Fonctionnent de pair avec « Visual Preview » • Gain de performance ultime : ne pas réaliser un traitement
Reader shp Esri 693 444 ENTITÉS LUES Esri Shapefile 2018 35 sec Esri Shapefile (Tech Preview) 2019 1,6 sec
Tester Test composite plus littéraire 2018 2019 Ce changement se répercute sur TestFilter
ChangeDetector La nouvelle version 2019 détecte les mises à jour 2018 2019
Transformers Enregistrement du paramétrage de Transformers
Autres mises à jour • Python • Traitement parallèle revu et disponible dans les Transformers personnalisés pour une réelle amélioration des performances
Nouveaux Transformers FME Desktop 2019
EsriReprojector Pas nouveau, mais réécrit pour ne pas utiliser ArcObjets
Connectors FME Desktop 2019
Nouveaux connecteurs Interfaces personnalisées : • AzureBlobStorageConnector • AzureFileStorageConnector • CesiumIonConnector • CityworksConnector • GoogleCloudStorageConnector • S3Connector • AzureQueueStorageConnector (prochainement) • KafkaConnector (prochainement) • TrelloConnector (prochainement)
Package FME Desktop 2019
Package : rendre FME modulable • Installer certains composants sans avoir à télécharger et installer une nouvelle version • Les développeurs peuvent transmettre plus facilement les différents composants • Les nouveaux Transformers et Readers/Writers sont à présent disponibles sur FME Hub au format .fpkg • Paquets actuellement disponibles : ➢ S3Connector ➢ CesiumIonConnector ➢ RasterObjectDetector series ➢ NLP series
Nouveaux formats FME Desktop 2019
• Lecture native Revit • I3s • DGN Meshes • Compressed File Reading (.rar/.gz/.tgz/.zipx) • Digital Weather Markup Language (DWML) Reader • FME Augmented Reality (AR) Nouveaux formats Reader • Garmin POI Reader/Writer • Google Storage Connectors • OGC Web Coverage Service (WCS) Reader • TopoJSON Writer
Lecture de format DICOM (imagerie médicale)
Lecture de format DICOM (imagerie médicale)
Décompression
Vidéo disponible sur : https://youtu.be/EZbKf9HcqPk Unreal Datasmith Writer Game Engine Support
Machine Learning FME Desktop 2019
Traitement Automatique du Langage Naturel
TALN : branche du Machine Learning • Linguistique • Informatique • Intelligence artificielle Interprétation de langage et renvoi de réponse Étudier des quantités massives de texte libre pour récupérer des informations pertinentes
TALN : 3 opérations • Préparation jeux de données d’entraînement ➢ Un corpus • Entraînement ➢ Génération du modèle d’apprentissage au format fmd • Interprétation ➢ Interprétation d’énoncé par classification
• Préparation du jeu de données d’entraînement ➢ Un corpus
• Entraînement de FME : phase d’apprentissage ➢ Conception d’un modèle au format .fmd ➢ NLPTrainer
• Interprétation d’énoncés ➢ Utilisation du modèle pour interpréter des phrases ➢ NLPClassifier
Détection d’objets
Détection d’objets dans des images • Modèles de détection d’objets proposés par défaut ➢ Visages / Corps / Animaux / Objets • Modèles de détection définis par l’utilisateur ➢ Personnalisés
Détection d’objets dans des images • Préparation jeux de données d’entraînement ➢ Sélection des images avec objet (positives) ➢ Sélection d’images sans objet (négatives) • Entraînement ➢ Génération du modèle de détection (xml) • Détection d’objets ➢ Reconnaissance d’objets à partir du modèle de détection
Détection d’objets dans des images • Préparation jeux de données d’entraînement ➢ Délimitation de l’objet (Librairie OpenCV)
Transformers pour la détection d’objets • Préparation jeux de données d’entraînement ➢ RasterObjectDetectorSampleGenerator ➢ RasterObjectDetectorSamplePreparer • Entraînement ➢ RasterObjectDetectionModelTrainer • Détection d’objets ➢ RasterObjectDetector
Merci de votre attention
Vous pouvez aussi lire