Mit der Image Analyst-Lizenz verfügbar.
Das Toolset "Deep Learning" enthält Werkzeuge, mit denen bestimmte Features in einem Bild erkannt und Pixel in einem Raster-Dataset klassifiziert werden können.
Deep Learning ist eine Art der künstlichen Intelligenz für maschinelles Lernen, bei der Features in Bilddaten unter Verwendung mehrerer Layer in neuronalen Netzwerken erkannt werden. Dabei kann mit den einzelnen Layern mindestens ein eindeutiges Feature im Bild extrahiert werden. Die Werkzeuge im Toolset "Deep Learning" nutzen zur zeitnahen Durchführung von Analysen die GPU-Verarbeitung.
Diese ArcGIS Pro-Werkzeuge verwenden die Modelle, die für die Erkennung bestimmter Features in Deep-Learning-Frameworks von Drittanbietern, wie etwa TensorFlow, CNTK und PyTorch, sowie in Ausgabe-Features oder Klassenkarten trainiert wurden.
In der folgenden Tabelle werden die Deep-Learning-Werkzeuge aufgeführt und kurz beschrieben:
| Werkzeug | Beschreibung |
|---|---|
Führt ein trainiertes Deep-Learning-Modell in einem Eingabe-Raster und einer optionalen Feature-Class aus und erstellt eine Feature-Class oder Tabelle, in der jedem Eingabeobjekt oder -Feature eine Klassen- oder Kategoriebeschriftung zugewiesen ist. Dieses Werkzeug erfordert eine Modelldefinitionsdatei, die Informationen zum trainierten Modell enthält. Das Modell kann mit dem Werkzeug Deep-Learning-Modell trainieren oder einer Training-Software von Drittanbietern wie TensorFlow, PyTorch oder Keras trainiert werden. Bei der Modelldefinitionsdatei kann es sich um eine Esri Modelldefinitionsdatei als JSON (.emd) oder ein Deep-Learning-Modellpaket handeln. Sie muss den Pfad zur Python-Raster-Funktion, die zur Verarbeitung der einzelnen Objekte aufgerufen werden soll, sowie den Pfad zur binären Datei des trainierten Deep-Learning-Modells enthalten. | |
Führt ein trainiertes Deep-Learning-Modell auf einem Eingabe-Raster zur Erstellung eines klassifizierten Rasters aus, bei dem jedem gültigen Pixel eine Klassenbeschriftung zugewiesen ist. Dieses Werkzeug erfordert eine Modelldefinitionsdatei, die Informationen zum trainierten Modell enthält. Das Modell kann mit dem Werkzeug Deep-Learning-Modell trainieren oder einer Training-Software von Drittanbietern wie TensorFlow, PyTorch oder Keras trainiert werden. Bei der Modelldefinitionsdatei kann es sich um eine Esri Modelldefinitionsdatei als JSON (.emd) oder ein Deep-Learning-Modellpaket handeln. Sie muss den Pfad zur Python-Raster-Funktion, die zur Verarbeitung der einzelnen Objekte aufgerufen werden soll, sowie den Pfad zur binären Datei des trainierten Deep-Learning-Modells enthalten. | |
Berechnet die Genauigkeit eines Deep-Learning-Modells, indem die mit dem Werkzeug Objekte mit Deep Learning erkennen erkannten Objekte mit Überprüfungsdaten verglichen werden. | |
Führt ein trainiertes Deep-Learning-Modell zur Erkennung von Veränderungen zwischen zwei Rastern aus. Dieses Werkzeug erfordert eine Modelldefinitionsdatei, die Informationen zum trainierten Modell enthält. Bei der Modelldefinitionsdatei kann es sich um eine Esri Modelldefinitionsdatei als JSON (.emd) oder ein Deep-Learning-Modellpaket handeln. Sie muss den Pfad zur Python-Raster-Funktion, die zur Verarbeitung der einzelnen Objekte aufgerufen werden soll, sowie den Pfad zur binären Datei des trainierten Deep-Learning-Modells enthalten. | |
Erkennt Bodenpasspunkte in einem Mosaik Dataset. | |
Führt ein trainiertes Deep-Learning-Modell auf einem Eingabe-Raster zur Erstellung einer Feature-Class aus, die die gefundenen Objekte enthält. Bei den Features kann es sich um Rahmen oder Polygone um die gefundenen Objekte oder um Punkte im Mittelpunkt der Objekte handeln. Dieses Werkzeug erfordert eine Modelldefinitionsdatei, die Informationen zum trainierten Modell enthält. Das Modell kann mit dem Werkzeug Deep-Learning-Modell trainieren oder einer Training-Software von Drittanbietern wie TensorFlow, PyTorch oder Keras trainiert werden. Bei der Modelldefinitionsdatei kann es sich um eine Esri Modelldefinitionsdatei als JSON (.emd) oder ein Deep-Learning-Modellpaket handeln. Sie muss den Pfad zur Python-Raster-Funktion, die zur Verarbeitung der einzelnen Objekte aufgerufen werden soll, sowie den Pfad zur binären Datei des trainierten Deep-Learning-Modells enthalten. | |
Verwendet ein Fernerkundungsbild zum Konvertieren von beschrifteten Vektor- oder Raster-Daten in Training-Datasets für Deep Learning. Die Ausgabe ist ein Ordner mit Bildschnipseln und ein Ordner mit Metadaten-Dateien im angegebenen Format. | |
Führt ein oder mehrere vortrainierte Deep-Learning-Modelle für ein Eingabe-Raster aus, um Features zu extrahieren und die Nachbearbeitung der inferenzierten Ausgaben zu automatisieren. | |
Identifiziert doppelte Features in der Ausgabe des Werkzeugs Objekte mit Deep Learning ermitteln in einem Nachbearbeitungsschritt und erstellt eine neue Ausgabe ohne doppelte Features. Das Werkzeug Objekte mit Deep Learning ermitteln kann mehr als einen Rahmen oder mehr als ein Polygon für dasselbe Objekt zurückgeben, insbesondere als Nebeneffekt der Kachelung. Wenn sich zwei Features stärker überlappen, als gemäß einem gegebenen maximalen Verhältnis zulässig, wird das Feature mit dem niedrigeren Konfidenzwert entfernt. | |
Trainiert ein Deep-Learning-Modell mit der Ausgabe des Werkzeugs Trainingsdaten für Deep Learning exportieren. | |
Trainiert ein Deep-Learning-Modell, indem Training-Pipelines erstellt und ein Großteil des Trainingsprozesses automatisiert wird. Dazu gehören Datenerweiterung, Modellauswahl, Hyperparameter-Optimierung und Batch-Größen-Deduktion. Die Ausgaben enthalten Performance-Kennwerte des besten Modells in den Trainingsdaten sowie das trainierte Deep-Learning-Modellpaket (.dlpk), das als Eingabe für das Werkzeug Features mit AI-Modellen extrahieren verwendet werden kann, um Vorhersagen für neue Bilddaten zu treffen. |