ArcGIS Pro のディープラーニング—ArcGIS Pro

Image Analyst ライセンスで利用できます。

ArcGIS Pro では、統計的分類法または機械学習分類法によって、リモートセンシング画像を分類することができます。ディープラーニングとは機械学習の一種であり、複数レイヤーの非線形処理によって、モデルで説明されるフィーチャの識別やパターン認識を行います。ディープラーニングモデルを ArcGIS Pro に統合し、オブジェクト検出、オブジェクト分類、および画像分類を行えます。

対象となるフィーチャまたはオブジェクトのトレーニングサンプルは、ArcGIS Pro の分類およびディープラーニングツールで生成されます。これらのトレーニングサンプルは、ジオプロセシングツールを使用してディープラーニングモデルをトレーニングする際に使用されます。生成されるモデル定義ファイルまたはディープラーニングモデルパッケージ (*.dlpk) を使用して推論ジオプロセシングツールを実行し、特定のオブジェクトの位置の抽出、オブジェクトの分類またはラベル付け、画像内のピクセルの分類を行います。外部のサードパーティのフレームワークを使用して ArcGIS Pro の外部でモデルをトレーニングし、モデル定義ファイルを使用して推論ジオプロセシングツールを実行することもできます。モデル定義ファイルおよび *.dlpk パッケージは、ジオプロセシングツールへの入力として複数回にわたって使用できるため、モデルのトレーニングを行った後に、複数の場所や期間にまたがる複数の画像を評価できるようになります。

ワークフローを次の図に示します。


ステップ	説明
	[ディープラーニングのオブジェクトのラベル付け] ウィンドウを使用してトレーニングサンプルを作成し、[ディープラーニング用のトレーニングデータをエクスポート (Export Training Data For Deep Learning)] ツールを使用して、サンプルをディープラーニングトレーニングデータに変換します。
	[ディープラーニングモデルのトレーニング (Train Deep Learning Model)] を使用して、PyTorch を使用してモデルをトレーニングするか、サポートされているサードパーティのディープラーニングフレームワークを使用して ArcGIS Pro の外部でモデルをトレーニングします。
	トレーニングしたモデルを使用して、[ディープラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)] ツール、[ディープラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)] ツール、[ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ツールを実行し、出力を生成します。

特長と機能

ArcGIS Pro のディープラーニングツールでは、標準的な機械学習分類法以上のものを使用できます。

畳み込みニューラルネットワークまたはディープラーニングモデルを使用して、オブジェクトの検出、オブジェクトの分類、または画像ピクセルの分類を行います。
TensorFlow、PyTorch、Keras などの外部のディープラーニングフレームワークを統合します。
モデル定義ファイルを複数回にわたって使用し、経時的な変化を検出したり、複数の対象地域のオブジェクトを検出したりします。
検出したオブジェクトの場所を示すポリゴンフィーチャクラスを生成し、追加の解析やワークフローに使用します。
GPU 処理を利用するとともに、分散処理には CPU を使用します。

ディープラーニングを開始する

トレーニングサンプルの作成とエクスポートは、標準のトレーニングサンプル生成ツールを使用して ArcGIS Pro 内で行われます。ディープラーニングモデルは、[ディープラーニングモデルのトレーニング (Train Deep Learning Model)] ツールを使用して PyTorch フレームワークでトレーニングするか、別のディープラーニングフレームワークを使用して ArcGIS Pro の外部でトレーニングできます。モデルのトレーニングが終了すると、Esri モデル定義ファイル (*.emd) を使用してジオプロセシングツールを実行し、画像内のフィーチャの検出や分類を行います。

ディープラーニングフレームワークの Python パッケージをインストールする必要があります。インストールしない場合、Esri モデル定義ファイルをディープラーニングジオプロセシングツールに追加するとエラーが発生します。これらのパッケージのインストール方法については、「ArcGIS 用のディープラーニングフレームワークのインストール」をご参照ください。

トレーニングサンプルを作成し、エクスポートします。
1. [ディープラーニングのオブジェクトのラベル付け] ウィンドウか [トレーニングサンプルマネージャー] を使用して、分類スキーマを選択または作成します。
2. クラスカテゴリか対象フィーチャのトレーニングサイトサンプルを作成します。トレーニングサンプルファイルを保存します。
3. [ディープラーニング用のトレーニングデータをエクスポート (Export Training Data for Deep Learning)] ジオプロセシングツールを実行し、ソース画像とトレーニングサンプルをディープラーニングトレーニングデータに変換します。ソース画像は、イメージサービス、モザイクデータセット、ラスターデータセット、またはラスターのフォルダーのいずれかです。ツールにより、ディープラーニングモデルのトレーニングに使用されるトレーニングサイトを含む画像チップやサンプルが出力されます。設定が必要なツールの追加出力としてテンプレート *.emd があります。
ディープラーニングモデルをトレーニングします。
1. [ディープラーニングモデルのトレーニング (Train Deep Learning Model)] ツールで、前の手順で生成した画像チップを使用してディープラーニングモデルをトレーニングします。
ArcGIS Pro の推論ジオプロセシングを実行します。
1. [ディープラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)]、[ディープラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)]、または [ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ジオプロセシングツールを使用し、画像を処理します。トレーニングされたモデルに、追加の変数 (パディング、感度を微調整するための信頼閾値など) を含むカスタム Python ラスター関数が組み込まれている場合、これらの変数はジオプロセシングツールのダイアログボックスに表示され、ユーザーによる入力を行えるようになっています。文字列や数値などのデータ型は、Python ラスター関数で指定されます。追加の推論パラメーターは 2 つまでに限定することをお勧めします。
  [Esri モデル定義] パラメーター値には、Esri モデル定義の JSON ファイル (.emd) または JSON 文字列を指定することができます。JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。
  ディープラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning) ツールの出力はフィーチャクラスで、モデルによって検出されたオブジェクトが表示されます。ディープラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning) ツールでは分類されたラスターが出力されます。[ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ツールでは、入力データセットにフィーチャクラスと画像が必要です。出力は、各フィーチャ内のそれぞれのオブジェクトにクラス名のラベルが付けられたフィーチャクラスになります。

このツールの実行要件および発生する可能性のある問題の詳細については、「ArcGIS Pro のディープラーニングに関するよくある質問ディープラーニングに関するよくある質問 PDF 」をご参照ください。

Esri モデル定義ファイル

*.emd ファイルは、トレーニングされたディープラーニングモデルを説明する JSON ファイルです。このファイルには、推論ツールの実行に必要なモデル定義パラメーターが含まれており、モデルをトレーニングしたデータサイエンティストが変更する必要があります。次のテーブルに示すように、必須のパラメーターと任意のパラメーターがあります。

*.emd ファイルの作成と検証が終了したら、推論において複数回使用できるようになります。このとき、入力画像が元のモデル入力と同じセンサーから取り込まれることと、検出されるクラスやオブジェクトが同じである必要があります。たとえば、Sentinel-2 衛星画像を使用して油田を検出するモデルで定義された *.emd ファイルは、Sentinel-2 画像を使用する複数の対象地域および日付にわたって油田を検出するために使用できます。

すべての推論ツールで共通して使用されるパラメーターを、以下の表に示します。[CropSizeFixed] パラメーターや [BlackenAroundFeature] パラメーターなど、特定のツールでのみ使用されるパラメーターもあります。これらのパラメーターは、[ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ツールにのみ使用されます。


モデル定義ファイルのパラメーター	説明
フレームワーク	モデルのトレーニングに使用されるディープラーニングフレームワークの名前。次のディープラーニングフレームワークがサポートされます。 TensorFlow Keras PyTorch お使いのモデルが、リストに記載されていないディープラーニングフレームワークでトレーニングされている場合、カスタム推論関数 (Python モジュール) とトレーニングモデルが必要です。また、InferenceFunction を Python モジュールパスに設定する必要があります。
ModelConfiguration	モデル構成の名前。モデル構成は、モデルの入力と出力、推論ロジック、モデルの入力と出力に関する仮説を定義します。既存のオープンソースディープラーニングワークフローは、標準的な入力および出力構成、および推論ロジックを定義しています。ArcGIS では、事前定義された以下の構成をサポートしています。 TensorFlow ObjectDetectionAPI DeepLab Keras MaskRCNN 事前定義された構成のいずれかを使用する場合、.emd ファイルに構成の名前を入力します。カスタム構成を使用したディープラーニングモデルをトレーニングした場合は、入力と出力を .emd ファイルかカスタム Python ファイルで完全に説明する必要があります。
ModelType	モデルのタイプ。 ImageClassification - ピクセルの分類 ObjectDetection - オブジェクトまたはフィーチャの検出 Object Classification - オブジェクトおよびフィーチャの分類
ModelFile	トレーニングしたディープラーニングモデルファイルへのパス。ファイル形式は、モデルのフレームワークによって異なります。たとえば、TensorFlow の場合、モデルファイルは *.pb ファイルです。
説明	モデルに関する情報を提供します。モデル情報にはトレーニングしたモデルに関するあらゆる情報を含めることができます。たとえば、モデル番号やモデル名、モデルの作成日時、パフォーマンスの精度などを含めることができます。
InferenceFunction (オプション)	推論関数のパス。推論関数はトレーニングされたモデルデータファイルを理解し、推論ロジックを提供します。ArcGIS Pro のディープラーニングジオプロセシングツールでは、6 つの推論関数がサポートされています。 TensorFlow 用オブジェクトの検出 Tensor Flow 用ピクセルの分類 Keras 用オブジェクトの検出 PyTorch 用オブジェクトの検出 PyTorch 用オブジェクトの分類上記の推論関数のいずれかを使用した場合、*.emd ファイルで指定する必要はありません。未サポートのディープラーニングモデル構成を使用してモデルをトレーニングした場合、または特別な推論ロジックが必要な場合は、トレーニング済みモデルとともにカスタム推論関数 (Python モジュール) が必要です。その場合は、[InferenceFunction] を Python モジュールパスに設定します。推論 Python モジュールファイルは、ArcGIS Pro がアクセスできる場所であれば、どこに置いてもかまいません。
SensorName (オプション)	トレーニングサンプルの生成元から画像を収集するために使用するセンサーの名前。
RasterCount (オプション)	トレーニングサンプルを生成するために使用したラスターの数。
BandList (オプション)	ソース画像で使用されるバンドのリスト。
ImageHeight (オプション)	分類または処理される画像の行数。
ImageWidth (オプション)	分類または処理される画像の列数。
ExtractBands (オプション)	入力画像から抽出するバンドインデックスまたはバンド名。
Classes (オプション)	出力クラスカテゴリまたはオブジェクトに関する情報。
DataRange (オプション)	スケーリングまたは正規化を前処理で行った場合の、データ値の範囲。
ModelPadding (オプション)	推論の入力画像に追加する埋め込みの量。
BatchSize (オプション)	モデルの各反復処理で使用されるトレーニングサンプルの数。
PerProcessGPUMemoryFraction (オプション)	モデルの各反復処理で割り当てられる GPU メモリの割合。デフォルトは 0.95 つまり 95% です。
MetaDataMode (オプション)	画像チップに使用されるメタデータラベルの形式。
ImageSpaceUsed (オプション)	モデルのトレーニングに使用される参照システムのタイプ。 MAP_SPACE PIXEL_SPACE
WellKnownBandNames (オプション)	各入力バンドに与えられる名前 (バンドインデックス順)。バンドは、他のツールでもこれらの名前で参照されるようになります。
AllTileStats	トレーニングデータの各バンドの統計情報

次に、標準的なモデル構成を使用するモデル定義ファイル (:.emd) の例を示します。

{
    "Framework": "TensorFlow",
    "ModelConfiguration": "ObjectDetectionAPI",
    "ModelFile":"C:\\ModelFolder\\ObjectDetection\\tree_detection.pb",
    "ModelType":"ObjectionDetection",
    "ImageHeight":850,
    "ImageWidth":850,
    "ExtractBands":[0,1,2],
    "Classes" : [
      {
        "Value": 0,
        "Name": "Tree",
        "Color": [0, 255, 0]
      }
    ]
}

次に、構成により多くのオプションパラメーターがあるモデル定義ファイル (*.emd) の例を示します。

{
    "Framework": "PyTorch",    "ModelConfiguration": "FasterRCNN",    "ModelFile":"C:\\ModelFolder\\ObjectDetection\\river_detection.pb",    "ModelType":"ObjectionDetection",				"Description":"This is a river detection model for  imagery",    "ImageHeight":448,    "ImageWidth":448,    "ExtractBands":[0,1,2,3],				"DataRange":[0.1, 1.0],				"ModelPadding":64,				"BatchSize":8,				"PerProcessGPUMemoryFraction":0.8,				"MetaDataMode" : "PASCAL_VOC_rectangles",				"ImageSpaceUsed" : "MAP_SPACE",    "Classes" : [      {
        "Value": 1,        "Name": "River",        "Color": [0, 255, 0]      }
    ],				"InputRastersProps" : {
						"RasterCount" : 1,						"SensorName" : "Landsat 8",						"BandNames" : [								"Red",								"Green",								"Blue",								"NearInfrared"
						]				},				"AllTilesStats" : [      {
      		"BandName" : "Red",      		"Min" : 1,      		"Max" : 60419,      		"Mean" : 7669.720049855654,      		"StdDev" : 1512.7546387966217      },      {
      		"BandName" : "Green",      		"Min" : 1,      		"Max" : 50452,      		"Mean" : 8771.2498195125681,      		"StdDev" : 1429.1063589515179      },      {
      		"BandName" : "Blue",      		"Min" : 1,      		"Max" : 47305,      		"Mean" : 9306.0475897744163,      		"StdDev" : 1429.380049936676      },      {
      		"BandName" : "NearInfrared",      		"Min" : 1,      		"Max" : 60185,      		"Mean" : 17881.499184561973,      		"StdDev" : 5550.4055277121679      }
    ], }

ディープラーニングモデルパッケージ

ディープラーニングモデルパッケージ (*.dlpk) は、オブジェクト検出または画像分類のためにディープラーニング推論ツールを実行するのに必要なファイルおよびデータを含んでいます。このパッケージを DLPK アイテムとしてポータルにアップロードし、ディープラーニングラスター解析ツールの入力として使用できます。

ディープラーニングモデルパッケージは、Esri モデル定義ファイル (*.emd) およびトレーニング済みモデルファイルを含む必要があります。トレーニング済みモデルファイルの拡張子は、モデルをトレーニングするのに使用したフレームワークによって変わります。たとえば、TensorFlow を使用してモデルをトレーニングした場合、モデルファイルは *.pb ファイルになり、Keras を使用してトレーニングされたモデルファイルは、*.h5 ファイルを生成します。モデルをトレーニングするのに使用したモデルフレームワークおよびオプションに応じて、Python ラスター関数 (*.py) または追加ファイルを含めることが必要になる場合があります。複数のトレーニング済みモデルファイルを 1 つのディープラーニングモデルパッケージに含めることができます。

ほとんどのパッケージは任意の ArcGIS Pro バージョンで開くことができます。デフォルトでは、パッケージのコンテンツは、<User Documents>\ArcGIS\Packages フォルダーに格納されます。この場所は、共有およびダウンロードオプションで変更できます。パッケージを使用する際の ArcGIS Pro バージョンでサポートされていないパッケージの機能は利用できません。

*.dlpk パッケージのプロパティの表示や編集、*.dlpk パッケージに対するファイルの追加や削除を行うには、[カタログ] ウィンドウの *.dlpk を右クリックし、[プロパティ] をクリックします。

プロパティには、次の情報が含まれています。

[入力] - *.emd ファイル、トレーニングされたモデルファイル、および推論ツールの実行に必要なその他のファイル。
[フレームワーク] - モデルのトレーニングに使用するディープラーニングフレームワーク。
[モデル構成] - 実行されるモデルトレーニングのタイプ (オブジェクト検出、ピクセル分類、またはフィーチャ分類)。
[説明] - モデルの説明。この情報はオプションで、編集可能です。
[概要] - モデルの簡単な概要。この情報はオプションで、編集可能です。
[タグ] - パッケージの識別に使用するタグ。この情報は、ポータルに格納されている *.dlpk パッケージアイテムで使用されます。

[プロパティ] ウィンドウで編集されたプロパティは、[OK] をクリックすると更新されます。[カタログ] ウィンドウでポータルから *.dlpk パッケージアイテムにアクセスしている場合、ポータルアイテムが更新されます。

*.dlpk パッケージの作成方法については、「ディープラーニングモデルパッケージの共有」をご参照ください。

特長と機能

ディープ ラーニングを開始する

Esri モデル定義ファイル

ディープ ラーニング モデル パッケージ

関連トピック

このトピックの内容

ディープラーニングを開始する

ディープラーニングモデルパッケージ