Resumen
En una implementación de análisis de ráster, esta herramienta ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada para generar una clase de entidad que contiene los objetos que identifica. La clase de entidad se puede compartir como capa de entidades alojada en el portal. Las entidades pueden ser cuadros o polígonos de delimitación alrededor de los objetos encontrados o puntos en el centro de los objetos.
Ilustración
Uso
El entorno de Python de servidor de su análisis de ráster (RA, por sus siglas en inglés) debe estar configurado con la API de Python del marco de aprendizaje profundo como TensorFlow, CNTK o similares.
Estando la herramienta en ejecución, su servidor de RA llama a una API de Python de aprendizaje profundo externa (como TensorFlow o CNTK) y usa la función ráster de Python especificada para procesar todas las teselas ráster.
El parámetro Modelo de entrada tan solo usará un elemento del paquete de aprendizaje profundo (.dlpk) del portal.
Después de seleccionar o especificar el Modelo de entrada, la herramienta obtendrá la información de los argumentos de modelo de su servidor de análisis de ráster. Es posible que la herramienta no pueda obtener dicha información si su modelo de entrada no es válido o su servidor de análisis de ráster no está configurado correctamente con el marco de aprendizaje profundo.
Use el parámetro Supresión no máxima para identificar y eliminar entidades duplicadas de la detección de objetos.
Para obtener más información sobre el aprendizaje profundo, consulte Aprendizaje profundo en ArcGIS Pro.
Sintaxis
DetectObjectsUsingDeepLearning(inputRaster, inputModel, outputName, {modelArguments}, {runNMS}, {confidenceScoreField}, {classValueField}, {maxOverlapRatio}, {processingMode})| Parámetro | Explicación | Tipo de datos |
inputRaster | La imagen de entrada usada para detectar objetos. Puede ser una URL de servicio de imágenes, una capa ráster, un servicio de imágenes, una capa del servidor de mapas o una capa de teselas de Internet. | Raster Layer; Image Service; Feature Service Layer; MapServer; Map Server Layer; Internet Tiled Layer; String |
inputModel | El modelo de entrada puede ser un archivo o una URL de un elemento del paquete de aprendizaje profundo (.dlpk) del portal. | File; String |
outputName | El nombre del servicio de entidades de salida de objetos detectados. | String |
modelArguments [modelArguments,...] (Opcional) | Los argumentos de modelo de función se definen en la clase de función ráster de Python a la que el modelo de entrada hace referencia. Aquí es donde enumera los argumentos y parámetros de aprendizaje profundo adicionales para experimentos y refinamiento, como un umbral de confianza para ajustar la sensibilidad. La herramienta rellena los nombres de los argumentos a partir de la lectura del módulo de Python en el servidor de RA. | Value Table |
runNMS (Opcional) | Especifica si se llevará a cabo la supresión no máxima, en la que se identifican los objetos duplicados y se elimina la entidad duplicada con el valor de coincidencia más bajo.
| Boolean |
confidenceScoreField (Opcional) | El campo del servicio de entidades que contiene las puntuaciones de confianza que se utilizarán como resultado del método de detección de objetos. Este parámetro es obligatorio cuando se usa la palabra clave NMS se usa para el parámetro runNMS. | String |
classValueField (Opcional) | El nombre del campo de valor de clase del servicio de entidades. Si el nombre de campo no se especifica, se utilizará un campo Classvalue o Value. Si estos campos no existen, se identificará que todos los registros pertenecen a una sola clase. | String |
maxOverlapRatio (Opcional) | El ratio de superposición máximo para dos entidades de superposición, definido como la relación del área de intersección sobre el área de combinación. El valor predeterminado es 0. | Double |
processingMode (Opcional) | Especifica cómo se procesarán todos los elementos de ráster en un dataset de mosaico o un servicio de imágenes. Este parámetro se aplica si el ráster de entrada es un dataset de mosaico o un servicio de imágenes.
| String |
Salida derivada
| Nombre | Explicación | Tipo de datos |
| outObjects | El servicio de entidades de salida. | Clase de entidad |
Muestra de código
Este ejemplo crea una capa de entidades alojada en su portal en función de la detección de objetos mediante la herramienta DetectObjectsUsingDeepLearning.
import arcpy
arcpy.DetectObjectsUsingDeepLearning_ra(
"https://myserver/rest/services/Farm/ImageServer",
"https://myportal/sharing/rest/content/items/itemId", "detectedTrees",
"score_threshold 0.6;padding 0", "NO_NMS")Este ejemplo crea una capa de entidades alojada en su portal en función de la detección de objetos mediante la herramienta DetectObjectsUsingDeepLearning.
#---------------------------------------------------------------------------
# Name: DetectObjectsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/coconutFarmImage/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "detectedTrees"
modelArgs = "score_threshold 0.6;padding 0"
runNMS = "NMS"
confScoreField = "Confidence"
classVField = "Class"
maxOverlapRatio = 0.15
# Execute Detect Objects Using raster analysis tool
arcpy.DetectObjectsUsingDeepLearning_ra(inImage, inModel, outName, modelArgs,
runNMS, confScoreField, ClassVField, maxOverlapRatio)Entornos
Información de licenciamiento
- Basic: Requiere ArcGIS Image Server
- Standard: Requiere ArcGIS Image Server
- Advanced: Requiere ArcGIS Image Server