Disponible avec une licence Image Analyst.
Disponible avec une licence Spatial Analyst.
Toutes les tâches de Deep Learning supervisées dépendent de jeux de données étiquetés. En d’autres termes, les utilisateurs doivent appliquer leurs connaissances pour entraîner le réseau neuronal sur les éléments sur ce qu’il s’efforce d’identifier. Les objets étiquetés sont utilisés par le réseau neuronal pour entraîner un modèle, lui-même utilisé pour procéder à l’inférence des données.
L’annotation des images, ou étiquetage, est crucial pour les tâches de Deep Learning telles que la vision par ordinateur et l’apprentissage. Un gros volume de données étiquetées est nécessaire pour entraîner correctement un modèle de Deep Learning. Lorsque les données d’entraînement adéquates sont disponibles, les systèmes de Deep Learning peuvent être d’une grande précision lors de l’extraction des entités, de la reconnaissance des modèles et de la résolution de problèmes complexes. La fenêtre Label objects for Deep Learning (Étiqueter les objets pour le Deep Learning) permet d’effectuer un étiquetage rapide et exact des données.
Le bouton Label Objects for Deep Learning (Étiqueter les objets pour le Deep Learning) se trouve dans le menu déroulant Classification Tools (Outils de classification) dans le groupe Image Classification (Classification d’image) sous l’onglet Imagery (Imagerie). La fenêtre est divisée en deux parties. La partie supérieure de la fenêtre sert à gérer les classes et la partie inférieure à gérer la collection des échantillons d’entraînement et exporter les données d’entraînement pour les structures de Deep Learning.
Créer des classes et étiqueter des objets
La partie supérieure de la fenêtre permet de gérer les classes d’objets et de créer manuellement les objets utilisés dans le cadre de l’entraînement du modèle de Deep Learning. De nombreux outils sont disponibles pour vous aider à créer des objets étiquetés.
Outil | Fonction |
---|---|
Créer un objet étiqueté en traçant un rectangle autour d’une entité ou d’un objet dans le raster. | |
Créer un objet étiqueté en traçant un polygone autour d’une entité ou d’un objet dans le raster. | |
Créer un objet étiqueté en traçant un cercle autour d’une entité ou d’un objet dans le raster. | |
Créer un objet étiqueté en traçant une forme à main levée autour d’une entité ou d’un objet dans le raster. | |
Créer une entité en sélectionnant un segment à partir d’une couche segmentée. Cette option est seulement disponible s’il existe une couche segmentée dans la fenêtre Contents (Contenu). Activer Segment Picker (Sélecteur de segment) en mettant en surbrillance la couche segmentée dans la fenêtre Contents (Contenu), puis sélectionner la couche dans la liste déroulante Segment Picker (Sélecteur de segment). | |
Attribuer la classe sélectionnée à l’image actuelle. Cette option est seulement disponible en mode de collection d’images. | |
Sélectionner et mettre à jour un objet étiqueté. | |
Créer une structure de classification. | |
Sélectionner une option relative à la structure de classification.
| |
Enregistrer les modifications apportées à la structure. | |
Enregistrer une copie de la structure. | |
Ajouter une catégorie de classe à la structure. Sélectionner le nom de la structure pour créer une classe parent au niveau le plus élevé. Sélectionner le nom d’une classe existante pour créer une sous-classe. | |
Supprimer la classe sélectionnée ou la catégorie de sous-classe de la structure. |
- Cliquez sur l’un des outils de construction tels que Rectangle, Polygon (Polygone), Circle (Cercle) ou Freehand (À main levée) pour commencer à collecter vos échantillons d’objets.
- À l’aide d’un outil de construction, délimitez l’entité image représentant l’objet sur la carte.
- Si vous créez une entité sans qu’une classe soit spécifiée, la boîte de dialogueDefine Class (Définir une classe) apparaît. Pour en savoir plus sur cette boîte de dialogue, reportez-vous à la section Définir une classe.
- Continuez à créer et étiqueter des objets comme indiqué dans les étapes ci-dessus.
- Vous pouvez utiliser l’onglet Labeled Objects (Objets étiquetés) (en bas de la fenêtre) pour supprimer et organiser les échantillons d’objets étiquetés.
- Lorsque vous êtes satisfait de vos objets étiquetés, enregistrez vos échantillons en cliquant sur le bouton Save (Enregistrer) sous l’onglet Labeled Objects (Objets étiquetés).
Vous avez désormais étiqueté un échantillon représentatif d’objets et pouvez les utiliser pour exporter vos données d’entraînement.
Définir une classe
La boîte de dialogue Define Class (Définir une classe) permet de créer une classe ou de définir une classe existante. Si vous choisissez Use Existing Class (Utiliser la classe existante), sélectionnez l’option Class Name (Nom de la classe) qui convient pour cet objet. Si vous choisissez Add New Class (Ajouter une nouvelle classe), vous pouvez également mettre à jour les informations et cliquer sur OK pour créer la classe.
Étiqueter les collections d’images
Si vous avez une collection d’images ou désirez étiqueter des images individuelles au sein d’un jeu de données mosaïque, utilisez l’onglet Image Collection (Ensemble d’images). Pour plus d’informations sur les collections d’images, reportez-vous à la rubrique Jeux de données mosaïque.
Grâce à la couche mosaïque, vous pouvez étiqueter chacune des images. Avec l’onglet Image Collection (Ensemble d’images), vous pouvez accéder à la liste des images dans la liste déroulante. L’image sélectionnée s’affiche dans la carte. Vous pouvez ensuite étiqueter l’image selon la classe appropriée. Utilisez les boutons fléchés pour sélectionner l’image suivante à afficher et étiqueter.
Lorsque votre image se trouve dans un système de coordonnées d’image, l’image peut être orientée de façon inhabituelle, en particulier lors du traitement d’une imagerie oblique ou en perspective. Pour voir votre image dans l’espace pixel, cochez la case Label in pixel space (Étiquette en espace pixel). Cela affiche l’image dans une orientation plus propice à une interprétation intuitive.
Étiqueter l’intégralité de l’image
Dans les situations où vous ne voulez pas dessiner une limite autour d’un objet, vous pouvez utiliser le bouton Label Image (Étiqueter l’image) pour étiqueter l’image entière selon la classe sélectionnée, quel que soit l’aspect spatial de l’objet.
Objets étiquetés
L’onglet Labeled Objects (Objets étiquetés) se trouve dans la partie inférieure de la fenêtre et gère les échantillons d’entraînement que vous avez collectés pour chaque classe. Collectez des sites représentatifs, ou échantillons d’entraînement, pour chaque classe dans l’image. Un échantillon d’entraînement possède des informations de localisation (polygone) et une classe associée. L’algorithme de classification d’image utilise les échantillons d’entraînement, enregistrés sous forme d’une classe d’entités, pour identifier les classes d’occupation du sol dans l’intégralité de l’image.
Vous pouvez voir et gérer les échantillons d’entraînement en les ajoutant, en les regroupant ou en les supprimant. Lorsque vous sélectionnez un échantillon d’entraînement, il est sélectionné sur la carte. Double-cliquez sur un échantillon d’entraînement dans la table pour zoomer dessus sur la carte.
Outil | Fonction |
---|---|
Ouvrir une classe d’entités d’échantillons d’entraînement existante. | |
Enregistrer les mises à jour apportées à la classe d’entités d’objets étiquetés courants. | |
Enregistrer les objets étiquetés courants sous forme d’une nouvelle classe d’entités. | |
Supprimer les objets étiquetés sélectionnés. |
Exporter des données d’entraînement
Lorsque vous avez terminé de collecter les échantillons, vous pouvez les exporter dans les données d’entraînement en cliquant sur l’onglet Export Training Data (Exporter des données d’entraînement). Les données d’entraînement peuvent ensuite être utilisées dans un modèle de Deep Learning. Lorsque les paramètres ont été renseignés, cliquez sur Run (Exécuter) pour créer les données d’entraînement.
Paramètre | Description |
---|---|
Dossier en sortie | Choisissez le dossier en sortie dans lequel les données d’entraînement sont enregistrées. |
Masquer les entités surfaciques | Classe d’entités surfaciques qui délimite la zone de création des fragments d’images. Seuls les fragments d’images totalement inclus dans les polygones seront créés. |
Format de l’image | Spécifie le format raster des fragments d’images en sortie.
Les formats PNG et JPEG prennent en charge jusqu’à trois canaux. |
Taille de tuile X | Taille des fragments d’images pour la dimension x. |
Taille de tuile Y | Taille des fragments d’images pour la dimension y. |
Pas en X | Distance de déplacement sur la direction x lors de la création des fragments d’image suivants. Lorsque le pas est égal à la taille de tuile, il n’y a pas de superposition. Lorsque le pas correspond à la moitié de la taille de tuile, il y a une superposition de 50 pour cent. |
Pas en Y | Distance de déplacement sur la direction y lors de la création des fragments d’image suivants. Lorsque le pas est égal à la taille de tuile, il n’y a pas de superposition. Lorsque le pas correspond à la moitié de la taille de tuile, il y a une superposition de 50 pour cent. |
Angle de rotation | L’angle de rotation est utilisé pour générer des fragments d’image supplémentaires. Un fragment d’image est généré avec un angle de rotation égal à 0, c’est-à-dire qu’aucune rotation n’est appliquée. Il subit ensuite une rotation selon l’angle spécifié pour créer un fragment d’image supplémentaire. Les mêmes échantillons d’entraînement sont capturés selon différents angles dans différents fragments d’image à des fins d’augmentation des données. L’angle de rotation par défaut est égal à 0. |
Aucune tuile d’entités en sortie | Spécifie si les fragments d’images qui ne capturent pas d’échantillons d’apprentissage seront exportés.
|
Format des métadonnées | Indique le format utilisé pour les étiquettes de métadonnées en sortie. Si les données d’échantillons d’apprentissage en entrée sont une couche de classe d’entités, telle qu’une couche d’emprise de bâtiment ou un fichier d’échantillon d’apprentissage de classification standard, utilisez l’option Étiquettes KITTI ou PASCAL Visual Object Classes (KITTI_rectangles ou PASCAL_VOC_rectangles dans Python). Les métadonnées en sortie sont un fichier .txt ou un fichier .xml comportant les données d’échantillons d’apprentissage contenues dans le rectangle d’emprise minimale. Le nom du fichier de métadonnées correspond à celui de l’image source en entrée. Si les données d’échantillons d’apprentissage en entrée sont une carte de classe, utilisez l’option Tuiles classées (Classified_Tiles dans Python) comme format de métadonnées en sortie.
Pour le format de métadonnées KITTI, 15 colonnes sont créées, mais seulement 5 d’entre elles sont utilisées dans l’outil. La première colonne est la valeur de classe. Les 3 colonnes suivantes sont ignorées. Les colonnes 5 à 8 définissent le rectangle d’emprise minimale comportant quatre emplacements de coordonnées d’image : pixels de gauche, en haut, de droite et en bas. Le rectangle d’emprise minimale englobe le fragment d’apprentissage utilisé dans le classificateur d’apprentissage en profondeur. Les autres colonnes ne sont pas utilisées. |
Assombrir autour de l’entité | Indique si les pixels autour de chaque objet ou entité de chaque tuile d’images sont masqués.
Ce paramètre s’applique uniquement lorsque le paramètre Format de métadonnées est défini sur Tuiles étiquetées et qu’une classe d’entités en entrée ou qu’un raster classé a été spécifié. |
Mode de rognage | Spécifie si les tuiles exportées sont rognées de telle sorte qu’elles fassent toutes la même taille.
Ce paramètre s’applique uniquement lorsque le paramètre Format de métadonnées a pour valeur Tuiles étiquetées ou Imagenet et qu’une classe d’entités en entrée ou qu’un raster classé a été spécifié. |
Système de référence | Indique le type de système de référence qui va être utilisé pour interpréter l’image en entrée. Le système de référence spécifié doit correspondre au système de référence utilisé pour entraîner le modèle d’apprentissage profond.
|
Raster en entrée supplémentaire | Source d’imagerie en entrée supplémentaire pour les méthodes de conversion d’image. Ce paramètre est valide lorsque le paramètre Metadata Format (Format des métadonnées) est défini sur Classified Tiles (Tuiles classées), Export Tiles (Exporter des tuiles) ou CycleGAN. |
Les données d’entraînement exportées peuvent ensuite être utilisées dans un modèle de Deep Learning.
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?