Disponible con licencia de Image Analyst.
The Deep Learning geoprocessing functions allow you to train a deep learning model, detect specific features in an image, classify pixels in a raster dataset.
Deep learning is a type of machine learning artificial intelligence that detects features in imagery using multiple layers in neural networks in which each layer is capable of extracting one or more unique features in the image. The geoprocessing functions in the Deep Learning category take advantage of GPU processing to perform analysis in a timely manner.
These ArcPy geoprocessing functions consume the models that have been trained to detect specific features in third-party deep learning frameworks—such as TensorFlow, CNTK, and PyTorch—and output features or class maps.
| Geoprocessing function | Description |
|---|---|
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada y una clase de entidad opcional para generar una clase de entidad o tabla en la que cada objeto o entidad de entrada tenga asignada una etiqueta de clase o categoría. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada para generar un ráster clasificado, donde cada píxel válido tiene una etiqueta de clase asignada. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Calcula la precisión de un modelo de aprendizaje profundo comparando los objetos detectados por la herramienta Detectar objetos con aprendizaje profundo con los datos de la realidad del terreno. | |
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada para generar una clase de entidad con los objetos que encuentre. Las entidades pueden ser cuadros o polígonos de delimitación alrededor de los objetos encontrados o puntos en el centro de los objetos. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Convierte datos de vectores o datos ráster etiquetados en datasets de entrenamiento de aprendizaje profundo utilizando imágenes de teledetección. La salida es una carpeta de chips de imagen y una carpeta de archivos de metadatos en el formato especificado. | |
Identifica entidades duplicadas de la salida de la herramienta Detectar objetos con aprendizaje profundo como un paso posterior al procesamiento y genera una salida sin entidades duplicadas. La herramienta Detectar objetos con aprendizaje profundo puede devolver más de un cuadro o polígono de delimitación para el mismo objeto, que suele ser un efecto secundario del ordenamiento en teselas. Si en dos entidades se superpone más de un ratio máximo determinado, se eliminará la entidad con el valor de confianza más bajo. | |
Entrena un modelo de aprendizaje profundo utilizando la salida de la herramienta Exportar datos de entrenamiento para aprendizaje profundo. |