Deep Learning in der Erweiterung ArcGIS Image Analyst

Mit der Image Analyst-Lizenz verfügbar.

Über die Erweiterung ArcGIS Image Analyst können Sie Deep-Learning-Workflows mit Bilddaten in ArcGIS Pro durchführen. Mithilfe von Geoverarbeitungswerkzeugen können Sie Trainingsdaten aus Bilddaten vorbereiten, ein Modell für die Objekterkennung, Pixelklassifizierung oder Objektklassifizierung trainieren sowie Ergebnisse ausgeben und überprüfen.

Hinweis:

In diesem Thema wird Deep Learning für Bilddaten-Workflows mit Image Analyst beschrieben. Eine Übersicht aller Deep-Learning-Funktionen in ArcGIS Pro finden Sie unter Deep Learning in ArcGIS Pro.

Der Workflow ist im folgenden Diagramm dargestellt.

Schritt	Beschreibung
	Erstellen Sie Trainingsgebiete im Bereich Objekte für Deep Learning beschriften, und konvertieren Sie die Gebiete mit dem Werkzeug Trainingsdaten für Deep Learning exportieren in Deep-Learning-Trainingsdaten. Hinweis: Das Werkzeug Trainingsdaten für Deep Learning exportieren wird ebenfalls in der Erweiterung Spatial Analyst unterstützt.
	Verwenden Sie das Werkzeug Deep-Learning-Modell trainieren, um ein Modell mit PyTorch zu trainieren, oder trainieren Sie das Modell außerhalb von ArcGIS Pro mithilfe eines unterstützten externen Deep-Learning-Frameworks.
	Verwenden Sie das trainierte Modell, um das Werkzeug Objekte mit Deep Learning erkennen, das Werkzeug Pixel mit Deep Learning klassifizieren oder das Werkzeug Objekte mit Deep Learning klassifizieren auszuführen und eine Ausgabe zu generieren. Im Bereich "Attribute" können Sie Ergebnisse einsehen und überprüfen. Die Genauigkeit berechnen Sie mit dem Werkzeug Genauigkeit für die Objekterkennung berechnen.

Features und Funktionen

Mithilfe von Werkzeugen für das Deep-Learning in ArcGIS Pro können Sie zusätzlich zu den Standardklassifizierungsmethoden des maschinellen Lernens weitere Methoden verwenden.

• Verwenden Sie neuronale Faltungsnetzwerke (Convolutional Neural Networks) oder Deep-Learning-Modelle, um Objekte zu ermitteln, Objekte zu klassifizieren oder Bildpixel zu klassifizieren.
• Integrieren Sie externe Deep-Learning-Frameworks, z. B. TensorFlow, PyTorch und Keras.
• Verwenden Sie eine Modelldefinitionsdatei mehrmals, um Änderungen im Zeitverlauf oder Objekte in unterschiedlichen Interessenbereichen zu ermitteln.
• Generieren Sie eine Polygon-Feature-Class, in der die Position der ermittelten Objekte, die für zusätzliche Analysen oder Workflows verwendet werden sollen, angezeigt wird.
• Profitieren Sie von den Vorteilen der GPU-Verarbeitung, und nutzen Sie die CPU für die verteilte Verarbeitung.

Erste Schritte mit Deep Learning

Trainingsgebiete werden in ArcGIS Pro mit den Standardwerkzeugen zur Generierung von Trainingsgebieten erstellt und exportiert. Das Deep-Learning-Modell kann unter Verwendung des Werkzeugs Deep-Learning-Modell trainieren mit dem PyTorch-Framework trainiert werden, oder es kann ein anderes Deep-Learning-Framework außerhalb von ArcGIS Pro für das Training verwendet werden. Nachdem das Modell trainiert wurde, verwenden Sie eine Esri Modelldefinitionsdatei (.emd), um Geoverarbeitungswerkzeuge zur Erkennung und Klassifizierung von Features in Ihren Bilddaten auszuführen.

Sie müssen die Python-Pakete für den Deep-Learning-Framework installieren. Andernfalls tritt ein Fehler auf, wenn Sie den Deep-Learning-Geoverarbeitungswerkzeugen die Esri Modelldefinitionsdatei hinzufügen. Weitere Informationen zur Installation der Pakete finden Sie unter Installieren von Deep-Learning-Frameworks für ArcGIS.

1. Erstellen und exportieren Sie Trainingsgebiete.
   1. Verwenden Sie den Bereich Objekte für Deep Learning beschriften oder den Trainingsgebiet-Manager, um ein Klassifizierungsschema auszuwählen oder zu erstellen.
   2. Erstellen Sie Trainingsgebiete für die relevanten Klassenkategorien oder Features. Speichern Sie die Trainingsgebietdatei.
   3. Führen Sie das Geoverarbeitungswerkzeug Trainingsdaten für Deep Learning exportieren aus, um die Quellbilddaten und -trainingsgebiete in Deep-Learning-Trainingsdaten zu konvertieren. Bei den Quellbilddaten kann es sich um einen Image-Service, ein Mosaik- oder Raster-Dataset oder um einen Ordner mit Rastern handeln. Die Ausgabe des Werkzeugs sind Bildschnipsel oder Stichproben mit Trainingsgebieten, die zum Trainieren des Deep-Learning-Modells verwendet werden sollen. Das Werkzeug gibt außerdem eine .emd-Vorlagendatei aus, die gefüllt werden muss.
2. Trainieren Sie das Deep-Learning-Modell.
   1. Verwenden Sie das Werkzeug Deep-Learning-Modell trainieren, um mithilfe der im vorausgehenden Schritt generierten Bildschnipsel ein Deep-Learning-Modell zu trainieren.
3. Führen Sie die Inferenz-Geoverarbeitungswerkzeuge in ArcGIS Pro aus.
   1. Verwenden Sie das Geoverarbeitungswerkzeug Objekte mit Deep Learning erkennen, Pixel mit Deep Learning klassifizieren oder Objekte mit Deep Learning klassifizieren, um die Bilddaten zu verarbeiten. Wenn das trainierte Modell benutzerdefinierte Python-Raster-Funktionen mit zusätzlichen Variablen, z. B. Abstand oder einem Konfidenzschwellenwert für die Feineinstellung der Empfindlichkeit, enthielt, werden diese Variablen im Dialogfeld für die Benutzereingabe des Geoverarbeitungswerkzeugs angezeigt. Der Datentyp, z. B. Zeichenfolge oder numerisch, wird in der Python-Raster-Funktion angegeben. Es sollten möglichst nicht mehr als zwei zusätzliche Inferenzparameter angegeben werden.

      Bei dem Parameterwert für die Esri Model Definition kann es sich um eine Esri Model Definition-Datei als JSON (.emd) oder um eine JSON-Zeichenfolge handeln. Eine JSON-Zeichenfolge ist nützlich, wenn Sie dieses Werkzeug auf dem Server verwenden, sodass Sie die JSON-Zeichenfolge einfügen können, statt die .emd-Datei hochzuladen.

      The output of the Das Werkzeug Objekte mit Deep Learning erkennen gibt eine Feature-Class aus, in der die vom Modell ermittelten Objekte angezeigt werden. Das Werkzeug Pixel mit Deep Learning klassifizieren gibt ein klassifiziertes Raster aus. Für das Werkzeug Objekte mit Deep Learning klassifizieren sind eine Feature-Class und Bilddaten als Eingabe-Datasets erforderlich, und das Ergebnis ist eine Feature-Class, in der jedes Objekt innerhalb der einzelnen Features mit einem Klassennamen beschriftet ist.

Nach dem Verwenden eines Deep-Learning-Modells ist es wichtig, dass Sie die Ergebnisse überprüfen und die Genauigkeit des Modells bewerten. Verwenden Sie den Bereich Attribute zum Überprüfen der Ergebnisse aus der objektbasierten Inferenz (Werkzeug Objekte mit Deep Learning klassifizieren oder Werkzeug Objekte mit Deep Learning erkennen). Sie können auch das Werkzeug Genauigkeit für die Objekterkennung berechnen verwenden, um eine Tabelle und einen Bericht für die Genauigkeitsbewertung zu generieren.

Grundlegende Informationen zu Deep-Learning-Anwendungen mit maschinellem Sehen finden Sie unter Einführung in Deep Learning.

Weitere Informationen zu den Voraussetzungen für die Ausführung der Geoverarbeitungswerkzeuge und eventuell dabei auftretenden Problemen finden Sie unter Häufig gestellte Fragen zu Deep Learning.

Entwicklerressourcen

Neben den in ArcGIS Pro verfügbaren Geoverarbeitungswerkzeugen und Workflows können Sie für Deep-Learning-Tasks auch Skripte und Notebooks nutzen. Bei der Arbeit in ArcGIS REST API können Sie die Deep-Learning-Tasks verwenden, die mit dem Raster-Analyse-Service bereitgestellt werden. Diese Tasks entsprechen den verfügbaren Geoverarbeitungswerkzeugen, ermöglichen je nach Verarbeitungskonfiguration aber auch die verteilte Verarbeitung.

Bei der Arbeit in ArcGIS API for Python stehen Ihnen im arcgis.learn-Modul zahlreiche zusätzliche Deep-Learning-Tasks zur Verfügung.