Image Analyst ライセンスで利用できます。
ディープ ラーニング モデルをどのようにトレーニングして使用するかを制御する方法は多数あり、引数もその 1 つです。 以下の 1 つ目の表には、ディープ ラーニング モデルのトレーニングについてサポートされているモデル引数が一覧表示されています。 2 つ目の表には、ディープ ラーニング モデルを推論でどのように使用するかを制御する引数が一覧表示されています。
トレーニング引数
次の引数は、ディープ ラーニング モデルをトレーニングする際に [ディープ ラーニング モデルのトレーニング (Train Deep Learning Model)] ツールで使用できます。 これらの引数はモデル アーキテクチャによって異なります。 これらの引数の値を変えてモデルをトレーニングすることができます。
| モデル タイプ | 引数 | 有効な値 |
|---|---|---|
変化検出器 (ピクセル分類) | attention_type | PAM (Pyramid Attention Module) または BAM (Basic Attention Module)。 |
chip_size | 0 から画像サイズの間の整数。 | |
monitor | valid_loss、precision、recall、および f1。 | |
ConnectNet (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
gaussian_thresh | 0.0 ～ 1.0。 デフォルト値は 0.76 です。 | |
monitor | valid_loss、accuracy、miou、および dice。 | |
mtl_model | linknet または hourglass。 | |
orient_bin_size | 正の数値。 デフォルトは 20 です。 | |
orient_theta | 正の数値。 デフォルトは 8 です。 | |
DeepLabv3 (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
class_balancing | true または false。 | |
focal_loss | true または false。 | |
ignore_classes | 有効なクラス値。 | |
monitor | valid_loss および accuracy。 | |
mixup | true または false。 | |
Image captioner (画像変換) | chip_size | 0 から画像サイズの間の整数。 |
decode_params 引数は、以下のパラメーターで構成されます。
| デフォルトは、{'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False} です。 | |
monitor | valid_loss、accuracy、corpus_bleu、および multi_label_fbeta。 | |
MMDetection (オブジェクト検出) | chip_size | 0 から画像サイズの間の整数。 |
model | atss、carafe、cascade_rcnn、cascade_rpn、dcn、detectors、double_heads、dynamic_rcnn、empirical_attention、fcos、foveabox、fsaf、ghm、hrnet、libra_rcnn、nas_fcos、pafpn、pisa、regnet、reppoints、res2net、sabl、および vfnet。 | |
model_weight | true または false。 | |
MMSegmentation (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
model | ann、apcnet、ccnet、cgnet、danet、deeplabv3、deeplabv3plus、dmnet 、dnlnet、emanet、encnet、fastscnn、fcn、gcnet、hrnet、mobilenet_v2、mobilenet_v3、nonlocal_net、ocrnet、ocrnet_base、pointrend、psanet、pspnet、resnest、sem_fpn、unet、および upernet。 | |
model_weight | true または false。 | |
Multi Task Road Extractor (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
gaussian_thresh | 0.0 ～ 1.0。 デフォルト値は 0.76 です。 | |
monitor | valid_loss、accuracy、miou、および dice。 | |
mtl_model | linknet または hourglass。 | |
orient_bin_size | 正の数値。 デフォルトは 20 です。 | |
orient_theta | 正の数値。 デフォルトは 8 です。 | |
Pyramid Scene Parsing Network (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
class_balancing | true または false。 | |
focal_loss | true または false。 | |
ignore_classes | 有効なクラス値。 | |
monitor | valid_loss または accuracy。 | |
mixup | true または false。 | |
pyramid_sizes | [畳み込みレイヤー 1, 畳み込みレイヤー 2, ... , 畳み込みレイヤー n] | |
use_net | true または false。 | |
RetinaNet (オブジェクト検出) | chip_size | 0 から画像サイズの間の整数。 |
monitor | valid_loss または average_precision。 | |
ratios | 比率値 1, 比率値 2, 比率値 3 デフォルトは、0.5,1,2 です。 | |
scales | [縮尺値 1, 縮尺値 2, 縮尺値 3] デフォルトは、[1, 0.8, 0.63] です。 | |
SAMLoRA (ピクセル分類) | class_balancing | true または false。 |
ignore_classes | 有効なクラス値。 | |
シングル ショット検出器 (オブジェクト検出) | chip_size | 0 から画像サイズの間の整数。 |
grids | 0 より大きい整数値。 | |
monitor | valid_loss または average_precision。 | |
ratios | [水平値, 垂直値] | |
zooms | ズーム値 (1.0 が標準縮尺)。 | |
Super Resolution with SR3 backbone (画像変換) | attn_res | 0 より大きい整数。 デフォルトは 16 です。 |
channel_mults | 整数の乗数セット。デフォルトは [1、2、4、4、8、8] です。 | |
dropout | 浮動小数点値。 デフォルトは 0 です。 | |
inner_channel | 0 より大きい整数値。 デフォルトは 64 です。 | |
linear_start | 時間を表す整数。 デフォルトは 1e-02 です。 | |
linear_end | 時間を表す整数。 デフォルトは 1e-06 です。 | |
n_timestep | 0 より大きい整数。 デフォルトは 1000 です。 | |
norm_groups | 0 より大きい整数。 デフォルトは 32 です。 | |
res_blocks | 0 より大きい整数。 デフォルトは 3 です。 | |
schedule | linear、warmup10、warmup50、const、jsd、または cosine。 デフォルトはリニアです。 | |
U-Net (ピクセル分類) | chip_size | 0 から画像サイズの間の整数。 |
class_balancing | true または false。 | |
focal_loss | true または false。 | |
ignore_classes | 有効なクラス値。 | |
monitor | valid_loss または accuracy。 | |
mixup | true または false。 |
推論引数
次の引数を使用して、ディープ ラーニング モデルを推論用にどのようにトレーニングするかを制御できます。 [モデル定義] パラメーターからの情報が、推論ツールの引数の設定に使用されます。 これらの引数はモデル アーキテクチャによって異なります。 ArcGIS 事前トレーニング済みモデルとカスタム ディープ ラーニング モデルでは、このツールでサポートされている追加の引数を利用できることがあります。
| 引数 | 推測タイプ | 有効な値 |
|---|---|---|
| batch_size | オブジェクトの分類 ピクセルの分類 変化検出 オブジェクトの検出 | 0 より大きい整数値。通常は 2 の累乗 (2n) の整数です。 |
| 方向 | ピクセルの分類 | 利用可能なオプションは AtoB と BtoA です。 この引数は CycleGAN アーキテクチャでのみ使用できます。 |
| exclude_pad_detections | オブジェクトの検出 | true または false。 この引数は SSD、RetinaNet、YOLOv3、DETReg、MMDetection、Faster RCNN のみで使用できます。 |
| merge_policy | ピクセルの分類 オブジェクトの検出 | 使用可能なオプションは mean、max、および min です。 [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)] ツールの場合、この引数は MultiTaskRoadExtractor および ConnectNet アーキテクチャで使用できます。 IsEdgeDetection がモデルの .emd ファイルに存在する場合、BDCN Edge Detector、HED Edge Detector、および MMSegmentation アーキテクチャも利用できます。 [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)] ツールの場合、この引数は MaskRCNN でのみ使用できます。 |
n_timestep | ピクセルの分類 | 0 より大きい整数値。 デフォルトは 200 です。 この引数は、Super Resolution with SR3 backbone モデルで使用できます。 |
| nms_overlap | オブジェクトの検出 | 0.0 ～ 1.0 の浮動小数点値。 デフォルトは 0.1 です。 |
output_classified_raster | オブジェクトの検出 | 出力分類ラスターのファイル パスと名前。 この引数は MaXDeepLab でのみ使用できます。 |
padding | ピクセルの分類 変化検出 オブジェクトの検出 | 0 より大きくタイル サイズの値の半分より小さい整数値。 |
| predict_background | ピクセルの分類 | true または false。 この引数は UNET、PSPNET、DeepLab、MMSegmentation で使用できます。 |
return_probability_raster | ピクセルの分類 | true または false。 モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上の場合、Multi Task Road Extractor および ConnectNet アーキテクチャを利用できます。 モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上であり、IsEdgeDetection が存在する場合は、BDCNEdgeDetector、HEDEdgeDetector、および MMSegmentation アーキテクチャも利用できます。 |
sampling_type | ピクセルの分類 | ddim および ddpm。 デフォルトは、ddim です。 この引数は、Super Resolution with SR3 backbone モデルで使用できます。 |
スケジュール | ピクセルの分類 | linear、warmup10、warmup50、const、jsd、または cosine。 デフォルトは、トレーニングされたモデルと同じ値に設定されています。 この引数は、Super Resolution with SR3 backbone モデルで使用できます。 |
| score_threshold | オブジェクトの分類 | 0 ～ 1.0。 |
| test_time_augmentation | オブジェクトの分類 ピクセルの分類 | true または false。 |
| threshold | ピクセルの分類 オブジェクトの検出 | 0 ～ 1.0。 [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)] ツールの場合、モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上の場合、MultiTaskRoadExtractor および ConnectNet アーキテクチャを利用できます。 モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上であり、IsEdgeDetection が存在する場合は、BDCNEdgeDetector、HEDEdgeDetector、および MMSegmentation アーキテクチャも利用できます。 [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)] ツールの場合、この引数はすべてのモデル アーキテクチャで使用できます。 |
| thinning | ピクセルの分類 | true または false。 IsEdgeDetection がモデルの .emd ファイルに存在する場合、BDCNEdgeDetector、HEDEdgeDetector、MMSegmentation アーキテクチャで使用できます。 |
| tile_size | ピクセルの分類 オブジェクトの検出 | 0 より大きく画像のサイズより小さい整数値。 [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)] ツールの場合、この引数は CycleGAN アーキテクチャでのみ使用できます。 [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)] ツールの場合、この引数は MaskRCNN でのみ使用できます。 |