ディープラーニングを使用して変化を検出 (Detect Change Using Deep Learning) (Image Analyst)—ArcGIS Pro

Image Analyst ライセンスで利用できます。

サマリー

トレーニング済みディープラーニングモデルを実行して、2 つのラスター間の変化を検出します。

このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープラーニングモデルパッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリディープラーニングモデルファイルのパスを含む必要があります。

使用法

このツールの入力は、以前の画像と最近の画像の 2 つの画像です。出力は、2 つの入力ラスター間の変化を示す分類済みラスターデータセットです。
ArcGIS Pro Python 環境に適切なディープラーニングフレームワークの Python API (TensorFlow や PyTorch など) 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ツールに追加するとエラーが発生します。 Esri モデル定義ファイルの作成者から適切なフレームワーク情報を入手します。
ArcGIS Pro のディープラーニングフレームワークを使用するようにコンピューターを設定するには、「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。
このツールは、サードパーティのディープラーニング Python API (TensorFlow、PyTorch、Keras など) を呼び出し、指定された Python ラスター関数を使用して、各オブジェクトを処理します。
[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)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) 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。 .dlpk ファイルはローカルに格納する必要があります。
ミニバッチサイズ、パディングサイズなど、追加の入力パラメーターが必要な場合があります。

モデル定義の JSON ファイル (.emd) については、下記のサンプルをご参照ください。

モデル定義の JSON ファイルのサンプル


{
   "Framework": "",
   "ModelConfiguration":" ",
   "ModelFile":"",
   "InferenceFunction":"",
   "ModelType":"",
   "ImageHeight":256,
   "ImageWidth":256,
   "ExtractBands":[0,1,2],
   "CropSizeFixed": 1,
   "BlackenAroundFeature": 1,
      "Classes": [
      {
         "Value": 0,
            "Name": "Building",
            "Color": [255, 0, 0]
           	}
   ]
}

バッチサイズを増やすと、ツールのパフォーマンスが向上します。ただし、バッチサイズの増加に伴って、使用されるメモリ量も多くなります。メモリ不足エラーが発生した場合は、より小さいバッチサイズを使用します。 batch_size の値は [引数] パラメーターを使用して調整できます。
バッチサイズは、1、4、9、16、25、64 などの平方数です。入力値が完全な平方数でない場合は、最も大きな平方数が使用されます。たとえば、値に 6 が指定された場合、バッチサイズは 4 に設定されます。
このツールは、複数の GPU をサポートおよび使用します (使用可能な場合)。特定の GPU を使用するには、[GPU ID] 環境を指定します。 GPU ID が設定されていない場合、ツールは使用可能なすべての GPU を使用します。これがデフォルトです。
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、「ディープラーニングに関するよくあるご質問 (FAQ)」をご参照ください。
ディープラーニングの詳細については、「ArcGIS Pro のディープラーニング」をご参照ください。

パラメーター

ラベル	説明	データタイプ
From ラスター	変化前の入力ラスター。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
To ラスター	変化後の入力ラスター。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
出力分類ラスター	変化を示す出力分類ラスター。	Raster Dataset
モデル定義	[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)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) 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。 .dlpk ファイルはローカルに格納する必要があります。これには、ディープラーニングバイナリモデルファイルへのパス、使用される Python ラスター関数へのパス、および他のパラメーター (望ましいタイルサイズやゼロ詰めなど) が含まれます。	File; String
引数 (オプション)	[モデル定義] パラメーターの情報は、このパラメーターに値を取り込むために使用されます。これらの引数は、モデルアークテクチャによって変わります。 ArcGIS でトレーニングされるモデルのサポート対象モデル引数は次のとおりです。 ArcGIS の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は、別途ツールがサポートする引数を持つ場合があります。 padding - 隣接するタイルの予測がブレンドされる画像タイルの境界のピクセル数。出力を滑らかにすると同時にアーティファクトを減らすには、この値を大きくします。パディングの最大値には、タイルサイズの値の半分を設定できます。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。 batch_size - モデル推論の各ステップで処理された画像タイルの数。これは、お使いのグラフィックスカードのメモリに応じて異なります。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。	Value Table

DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster, in_model_definition, {arguments})

名前	説明	データタイプ
from_raster	変化前の入力ラスター。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
to_raster	変化後の入力ラスター。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
out_classified_raster	変化を示す出力分類ラスター。	Raster Dataset
in_model_definition	in_model_definition パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) 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。 .dlpk ファイルはローカルに格納する必要があります。これには、ディープラーニングバイナリモデルファイルへのパス、使用される Python ラスター関数へのパス、および他のパラメーター (望ましいタイルサイズやゼロ詰めなど) が含まれます。	File; String
arguments [arguments,...] (オプション)	in_model_definition パラメーターの情報は、このパラメーターのデフォルト値を設定するために使用されます。これらの引数は、モデルアークテクチャによって変わります。 ArcGIS でトレーニングされるモデルのサポート対象モデル引数は次のとおりです。 ArcGIS の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は、別途ツールがサポートする引数を持つ場合があります。 padding - 隣接するタイルの予測がブレンドされる画像タイルの境界のピクセル数。出力を滑らかにすると同時にアーティファクトを減らすには、この値を大きくします。パディングの最大値には、タイルサイズの値の半分を設定できます。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。 batch_size - モデル推論の各ステップで処理された画像タイルの数。これは、お使いのグラフィックスカードのメモリに応じて異なります。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。	Value Table

コードのサンプル

DetectChangeUsingDeepLearning の例 1 (Python ウィンドウ)

この例では、ディープラーニングモデルを実行して、2 つの画像間の違いを見つけます。

# Import system modules 
import arcpy 
from arcpy.ia import * 


# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst")


DetectChangeUsingDeepLearning("c://detectchange//input_image1.tif", 
     "c://detectchange//input_image2.tif", "c://detectchange//output_difference.tif", 
     "c://detectchange/detectBuilding.emd", "padding 0;score_threshold 0.6;batch_size 4")

DetectChangeUsingDeepLearning の例 2 (スタンドアロンスクリプト)

この例では、ディープラーニングモデルを実行して、2 つの画像間の違いを見つけます。

# Import system modules 
import arcpy 
from arcpy.ia import * 

""" 
Usage: DetectObjectsUsingDeepLearning(from_raster, to_raster, out_classified_raster, 
    in_model_definition, {model_arguments}) 
"""

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst")

# Set local variable
from_raster = r"c:/detectchange/input_image1.tif"
to_raster = r"c:/detectchange/input_image2.tif"
out_classified_raster = r"c:/detectchange/output_difference.tif"
in_model_definition = r"c:/ detectchange/detectbuilding.emd"

# arcpy.env.processorType = "GPU"
# arcpy.env.gpuId = 0

# Execute
DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster, 
    in_model_definition, "padding 0;score_threshold 0.6;batch_size 4")

環境

セルサイズ, 現在のワークスペース, 範囲, 地理座標系変換, GPU ID, 出力座標系, 並列処理ファクター, プロセッサタイプ, テンポラリワークスペース

ライセンス情報

Basic: 次のものが必要 Image Analyst
Standard: 次のものが必要 Image Analyst
Advanced: 次のものが必要 Image Analyst

サマリー

使用法

パラメーター

コードのサンプル

環境

ライセンス情報

関連トピック

このトピックの内容