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
Marguerite Espada
Frédéric Eichelbrenner
Jordi Gibert
Veremes
Interface FME Desktop 2019
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
FME Desktop 2019
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
Amélioration des
performances
FME Desktop 2019
Dissolver
273 000 ENTITÉS DISSOUTES
2018
2019
Reader shp Esri
693 444 ENTITÉS LUES
Esri Shapefile
2018 35 sec
Esri Shapefile (Tech Preview)
2019 1,6 sec
Mise à jour de
Transformers
FME Desktop 2019Tester
Test composite plus littéraire
2018 2019
Ce changement se répercute sur TestFilterChangeDetector
La nouvelle version 2019 détecte les mises à jour
2018 2019Transformers Enregistrement du paramétrage de Transformers
Autres mises à jour
• Python
• Traitement parallèle revu et disponible dans les
Transformers personnalisés pour une réelle
amélioration des performancesNouveaux Transformers FME Desktop 2019
EsriReprojector
Pas nouveau, mais réécrit pour ne pas utiliser ArcObjetsConnectors 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 seriesNouveaux 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 WriterLecture de format DICOM (imagerie médicale)
Lecture de format DICOM (imagerie médicale)
Décompression
Vidéo disponible sur : https://youtu.be/EZbKf9HcqPk
Unreal Datasmith Writer
Game Engine SupportMachine 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
➢ PersonnalisésDétection 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 détectionDétection 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
➢ RasterObjectDetectorMerci de votre attention
Vous pouvez aussi lire
