Pixel mit Deep Learning klassifizieren (Raster Analysis)

Zusammenfassung

Führt ein trainiertes Deep-Learning-Modell für ein Eingabebild aus und erzeugt ein klassifiziertes Raster, das als gehosteter Bilddaten-Layer in Ihrem Portal veröffentlicht wird.

Abbildung

Verwendung

• Die Python-Umgebung des RA-Servers (Raster-Analyse) muss mit der passenden Deep-Learning-Python-API wie TensorFlow, CNTK oder einer vergleichbaren Anwendung konfiguriert werden.

• Wenn dieses Werkzeug ausgeführt wird, ruft der RA-Server eine Deep-Learning-Python-API eines Drittanbieters (wie TensorFlow oder CNTK) auf und verwendet zum Verarbeiten der einzelnen Raster-Kacheln die angegebene Python-Raster-Funktion.

• Das Eingabemodell dieses Werkzeugs übernimmt nur ein Deep-Learning-Paketelement (.dlpk) aus dem Portal.

• Nachdem das Eingabemodell ausgewählt oder angegeben wurde, ruft das Werkzeug die Modellargumentinformationen vom RA-Server ab. Das Werkzeug kann diese Informationen möglicherweise nicht abrufen, wenn das Eingabemodell ungültig ist oder der RA-Server nicht ordnungsgemäß mit dem Deep-Learning-Framework konfiguriert wurde.

Parameter

Dialogfeld

Beschriftung	Erläuterung	Datentyp
Eingabe-Raster	Das zu klassifizierende Eingabebild. Hierbei kann es sich um die URL für einen Image-Service, einen Raster-Layer, einen Kartenserver-Layer oder einen gekachelten Internet-Layer handeln.	Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
Eingabemodell	Die Eingabe ist eine URL eines Deep-Learning-Paketelements (.dlpk). Sie enthält den Pfad zur binären Datei des Deep-Learning-Modells, den Pfad zu der zu verwendenden Python-Raster-Funktion sowie andere Parameter wie etwa die bevorzugte Kachelgröße oder den bevorzugten Abstand.	File
Ausgabename	Der Name des Image-Service der klassifizierten Pixel.	String
Modellargumente (optional)	Die Funktionsargumente werden in der Python-Raster-Funktionsklasse definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Experimente und Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an. Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls im RA-Server aufgefüllt.	Value Table
Verarbeitungsmodus (optional)	Legt fest, wie alle Raster-Elemente in einem Mosaik-Dataset oder Image-Service verarbeitet werden. Dieser Parameter findet Anwendung, wenn es sich beim Eingabe-Raster um ein Mosaik-Dataset oder einen Image-Service handelt. Als mosaikiertes Bild verarbeiten—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung. Alle Raster-Elemente separat verarbeiten—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden als separate Bilder verarbeitet.	String

Abgeleitete Ausgabe

Beschriftung	Erläuterung	Datentyp
Aktualisiertes Eingabe-Raster	Das Ausgabe-Raster-Dataset.	Raster Layer

Python

arcpy.ra.ClassifyPixelsUsingDeepLearning(inputRaster, inputModel, outputName, {modelArguments}, {processingMode})

Name	Erläuterung	Datentyp
inputRaster	Das zu klassifizierende Eingabebild. Hierbei kann es sich um die URL für einen Image-Service, einen Raster-Layer, einen Kartenserver-Layer oder einen gekachelten Internet-Layer handeln.	Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
inputModel	Die Eingabe ist eine URL eines Deep-Learning-Paketelements (.dlpk). Sie enthält den Pfad zur binären Datei des Deep-Learning-Modells, den Pfad zu der zu verwendenden Python-Raster-Funktion sowie andere Parameter wie etwa die bevorzugte Kachelgröße oder den bevorzugten Abstand.	File
outputName	Der Name des Image-Service der klassifizierten Pixel.	String
modelArguments [modelArguments,...] (optional)	Die Funktionsargumente werden in der Python-Raster-Funktionsklasse definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Experimente und Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an. Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls im RA-Server aufgefüllt.	Value Table
processingMode (optional)	Legt fest, wie alle Raster-Elemente in einem Mosaik-Dataset oder Image-Service verarbeitet werden. Dieser Parameter findet Anwendung, wenn es sich beim Eingabe-Raster um ein Mosaik-Dataset oder einen Image-Service handelt. PROCESS_AS_MOSAICKED_IMAGE—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung. PROCESS_ITEMS_SEPARATELY—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden als separate Bilder verarbeitet.	String

Abgeleitete Ausgabe

Name	Erläuterung	Datentyp
outRaster	Das Ausgabe-Raster-Dataset.	Raster Layer

Codebeispiel

ClassifyPixelsUsingDeepLearning – Beispiel 1 (Python-Fenster)

In diesem Beispiel wird ein Raster basierend auf eine benutzerdefinierten Pixel-Klassifizierung mithilfe von Deep Learning in einer Raster-Analyse-Bereitstellung klassifiziert und das Raster als gehosteter Bilddaten-Layer im Portal veröffentlicht.

import arcpy

arcpy.ra.ClassifyPixelsUsingDeepLearning(
        "https://myserver/rest/services/landclassification/ImageServer",
        "https://myportal/sharing/rest/content/items/itemId",
"classifiedLand", "padding 0")

ClassifyPixelsUsingDeepLearning – Beispiel 2 (eigenständiges Skript)

In diesem Beispiel wird ein Raster basierend auf eine benutzerdefinierten Pixel-Klassifizierung mithilfe von Deep Learning in einer Raster-Analyse-Bereitstellung klassifiziert und das Raster als gehosteter Bilddaten-Layer im Portal veröffentlicht.

#---------------------------------------------------------------------------
# Name: ClassifyPixelsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/ landclassification/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "classifiedLand"
modelArgs = "padding 0"
# Execute Classified Pixels Using raster analysis tool
arcpy.ra.ClassifyPixelsUsingDeepLearning(inImage, inModel, outName, modelArgs)

Umgebungen

Zellengröße, Ausdehnung, Ausgabe-Koordinatensystem, Faktor für parallele Verarbeitung, Prozessortyp, Fang-Raster

Lizenzinformationen

• Basic: Erfordert ArcGIS Image Server
• Standard: Erfordert ArcGIS Image Server
• Advanced: Erfordert ArcGIS Image Server