Deep-Learning-Argumente

Mit der Image Analyst-Lizenz verfügbar.

Argumente sind eine der zahlreichen Möglichkeiten, mit denen gesteuert werden kann, wie Deep-Learning-Modelle trainiert und verwendet werden. In der ersten nachstehenden Tabelle sind die unterstützten Modellargumente für das Trainieren von Deep-Learning-Modellen aufgeführt. Die zweite Tabelle enthält die Argumente, mit denen gesteuert werden kann, wie Deep-Learning-Modelle für die Inferenzierung verwendet werden.

Trainingsargumente

Die folgenden Argumente zum Trainieren von Deep-Learning-Modellen sind im Werkzeug Deep-Learning-Modell trainieren verfügbar. Diese Argumente variieren je nach Modellarchitektur. Zum Trainieren eines Modells können Sie die Werte dieser Argumente ändern.

Modelltyp	Argument	Gültige Werte
Change Detector (Pixelklassifizierung)	attention_type	PAM (Pyramid Attention Module) oder BAM (Basic Attention Module).
	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	monitor	valid_loss, precision, recall und f1.
ConnectNet (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	gaussian_thresh	0,0 bis 1,0. Der Standardwert ist 0,76.
	monitor	valid_loss, accuracy, miou und dice.
	mtl_model	linknet oder hourglass.
	orient_bin_size	Eine positive Zahl. Die Standardeinstellung ist 20.
	orient_theta	Eine positive Zahl. Der Standardwert ist 8.
DeepLabv3 (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	class_balancing	true oder false.
	focal_loss	true oder false.
	ignore_classes	Gültige Klassenwerte.
	monitor	valid_loss und accuracy.
	mixup	true oder false.
Image Captioner (Bild-zu-Bild-Übersetzung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	Das Argument decode_params besteht aus den folgenden sechs Parametern: embed_size hidden_size attention_size teacher_forcing dropout pretrained_emb	Der Standardwert ist {'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False}.
	monitor	valid_loss, accuracy, corpus_bleu und multi_label_fbeta.
MMDetection (Objekterkennung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	model	atss, carafe, cascade_rcnn, cascade_rpn, dcn, detectors, double_heads, dynamic_rcnn, empirical_attention, fcos, foveabox, fsaf, ghm, hrnet, libra_rcnn, nas_fcos, pafpn, pisa, regnet, reppoints, res2net, sabl und vfnet.
	model_weight	true oder false.
MMSegmentation (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	model	ann, apcnet, ccnet, cgnet, danet, deeplabv3, deeplabv3plus, dmnet , dnlnet, emanet, encnet, fastscnn, fcn, gcnet, hrnet, mobilenet_v2, mobilenet_v3, nonlocal_net, ocrnet, ocrnet_base, pointrend, psanet, pspnet, resnest, sem_fpn, unet und upernet.
	model_weight	true oder false.
Multi Task Road Extractor (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	gaussian_thresh	0,0 bis 1,0. Der Standardwert ist 0,76.
	monitor	valid_loss, accuracy, miou und dice.
	mtl_model	linknet oder hourglass.
	orient_bin_size	Eine positive Zahl. Die Standardeinstellung ist 20.
	orient_theta	Eine positive Zahl. Der Standardwert ist 8.
Pyramid Scene Parsing Network (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	class_balancing	true oder false.
	focal_loss	true oder false.
	ignore_classes	Gültige Klassenwerte.
	monitor	valid_loss oder accuracy.
	mixup	true oder false.
	pyramid_sizes	[Faltungs-Layer 1, Faltungs-Layer 2, ... , Faltungs-Layer n]
	use_net	true oder false.
RetinaNet (Objekterkennung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	monitor	valid_loss oder average_precision.
	ratios	Verhältniswert 1, Verhältniswert 2, Verhältniswert 3. Die Standardeinstellung ist 0.5,1,2.
	scales	[Maßstabswert 1, Maßstabswert 2, Maßstabswert 3] Die Standardeinstellung ist [1, 0.8, 0.63].
Single Shot Detector (Objekterkennung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	Gitternetze	Ganzzahlige Werte größer als 0.
	monitor	valid_loss oder average_precision.
	ratios	[horizontaler Wert, vertikaler Wert]
	zooms	Der Zoomwert, wobei 1,0 der normale Zoomwert ist.
U-Net (Pixelklassifizierung)	chip_size	Ganze Zahlen zwischen 0 und der Bildgröße.
	class_balancing	true oder false.
	focal_loss	true oder false.
	ignore_classes	Gültige Klassenwerte.
	monitor	valid_loss oder accuracy.
	mixup	true oder false.

Inferenzierungsargumente

Mit den folgenden Argumenten kann gesteuert werden, wie Deep-Learning-Modelle für die Inferenzierung trainiert werden. Die Informationen aus dem Parameter Modelldefinition werden zum Füllen der Argumente in den Inferenzwerkzeugen verwendet. Diese Argumente variieren je nach Modellarchitektur. Vortrainierte ArcGIS-Modelle und benutzerdefinierte Deep-Learning-Modelle enthalten ggf. zusätzliche von dem Werkzeug unterstützte Argumente.

Argument	Inferenztyp	Gültige Werte
batch_size	Objekte klassifizieren Pixel klassifizieren Änderung erkennen Objekte erkennen	Ganzzahlige Werte größer als 0; in der Regel eine ganze Zahl, die eine Potenz von 2^n ist.
direction	Pixel klassifizieren	Die verfügbaren Optionen lauten AtoB und BtoA. Das Argument ist nur für die Architektur CycleGAN verfügbar.
exclude_pad_detections	Objekte erkennen	true oder false. Das Argument ist nur für SSD, RetinaNet, YOLOv3, DETReg, MMDetection und Faster RCNN verfügbar.
merge_policy	Pixel klassifizieren Objekte erkennen	Die verfügbaren Optionen sind mean, max und min. Beim Werkzeug Pixel mit Deep Learning klassifizieren ist das Argument für die Architekturen MultiTaskRoadExtractor und ConnectNet verfügbar. Wenn IsEdgeDetection in der .emd-Datei des Modells vorhanden ist, sind auch die Architekturen BDCNEdgeDetector, HEDEdgeDetector und MMSegmentation verfügbar. Beim Werkzeug Objekte mit Deep Learning erkennen ist das Argument nur für MaskRCNN verfügbar.
nms_overlap	Objekte erkennen	Ein Gleitkommawert von 0,0 bis 1,0. Die Standardeinstellung ist 0,1.
output_classified_raster	Objekte erkennen	Der Dateipfad und -name für das klassifizierte Ausgabe-Raster. Das Argument ist nur für MaXDeepLab verfügbar.
padding	Pixel klassifizieren Änderung erkennen Objekte erkennen	Ganzzahlige Werte größer als 0 und kleiner als die Hälfte des Wertes der Kachelgröße.
predict_background	Pixel klassifizieren	true oder false. Das Argument ist für UNET, PSPNET, DeepLab und MMSegmentation verfügbar.
return_probability_raster	Pixel klassifizieren	true oder false. Wenn ArcGISLearnVersion 1.8.4 oder höher in der .emd-Datei des Modells vorhanden ist, sind die Architekturen MultiTaskRoadExtractor und ConnectNet verfügbar. Bei ArcGISLearnVersion 1.8.4 oder höher und wenn IsEdgeDetection in der .emd-Datei des Modells vorhanden ist, sind auch die Architekturen BDCNEdgeDetector, HEDEdgeDetector und MMSegmentation verfügbar.
score_threshold	Objekte klassifizieren	0 bis 1,0.
test_time_augmentation	Objekte klassifizieren Pixel klassifizieren	true oder false.
threshold	Pixel klassifizieren Objekte erkennen	0 bis 1,0. Beim Werkzeug Pixel mit Deep Learning klassifizieren sind die Architekturen MultiTaskRoadExtractor und ConnectNet verfügbar, wenn ArcGISLearnVersion 1.8.4 oder höher in der .emd-Datei des Modells vorhanden ist. Bei ArcGISLearnVersion 1.8.4 oder höher und wenn IsEdgeDetection in der .emd-Datei des Modells vorhanden ist, sind auch die Architekturen BDCNEdgeDetector, HEDEdgeDetector und MMSegmentation verfügbar. Beim Werkzeug Objekte mit Deep Learning erkennen ist das Argument für alle Modellarchitekturen verfügbar.
thinning	Pixel klassifizieren	true oder false. Wenn IsEdgeDetection in der .emd-Datei des Modells vorhanden ist, sind die Architekturen BDCNEdgeDetector, HEDEdgeDetector und MMSegmentation verfügbar.
tile_size	Pixel klassifizieren Objekte erkennen	Ganzzahlige Werte größer als 0 und kleiner als die Bildgröße. Beim Werkzeug Pixel mit Deep Learning klassifizieren ist das Argument nur für die Architektur CycleGAN verfügbar. Beim Werkzeug Objekte mit Deep Learning erkennen ist das Argument nur für MaskRCNN verfügbar.