Сводка
В развертывании анализа растров этот инструмент запускает обученную модель глубокого обучения на входном изображении для создания классифицированного растра, который можно опубликовать в качестве размещенного слоя изображений на портале.
Иллюстрация
Использование
Среда Python сервера анализа растров должна быть настроена с использованием надлежащей системы глубокого обучения Python API, такой как Tensorflow, CNTK или подобной.
При запуске этого инструмента ваш сервер анализа растров вызывает сторонний API Python для глубокого обучения (например, TensorFlow или CNTK) и использует указанную функцию растра Python для обработки каждого растрового листа.
Входная модель данного инструмента будет брать элемент пакета глубокого обучения (.dlpk) с портала.
После выбора или указания входной модели инструмент получит информацию об аргументах модели с сервера анализа растров. Инструмент может не получить доступ к этой информации, если ваша входная модель некорректна или ваш сервер анализа растров настроен с помощью платформы глубокого обучения неправильно.
Синтаксис
ClassifyPixelsUsingDeepLearning(inputRaster, inputModel, outputName, {modelArguments}, {processingMode})| Parameter | Объяснение | Тип данных |
inputRaster | Входное изображение для классификации. Это может быть URL-адрес сервиса изображений, растровый слой, сервис изображений, слой картографического сервера или веб-слой, разделенный на листы. | Raster Layer; Image Service; MapServer; Map Server Layer; Internet Tiled Layer; String |
inputModel | Входные данные это URL-ссылка на элемент пакета глубокого обучения (.dlpk). Он содержит путь к файлу двоичной модели глубокого обучения, путь к используемой растровой функции Python и другие параметры, такие как предпочтительный размер листа или отступы. | File |
outputName | Имя сервиса изображений классифицированных пикселов. | String |
modelArguments [modelArguments,...] (Дополнительный) | Аргументы функции задаются в классе растровой функции Python, на который ссылается входная модель. Там перечисляются дополнительные параметры глубокого обучения и аргументы для экспериментов и улучшения, например, порог достоверности для настройки чувствительности. Имена аргументов заполняются инструментом при чтении модуля Python на сервере RA. | Value Table |
processingMode (Дополнительный) | Задает как будут обработаны все растровые элементы в наборе данных мозаики или сервисе изображений. Этот параметр применяется только в том случае, если в качестве входных данных используется наборы данных мозаики или сервис изображений.
| String |
Производные выходные данные
| Name | Объяснение | Тип данных |
| outRaster | Выходной набор растровых данных. | Растровый слой |
Пример кода
В этом примере растр классифицируется на основе пользовательской классификации пикселов с помощью глубокого обучения в развертывании анализа растров и публикуется в качестве размещенного слоя изображений на портале.
import arcpy
arcpy.ClassifyPixelsUsingDeepLearning_ra(
"https://myserver/rest/services/landclassification/ImageServer",
"https://myportal/sharing/rest/content/items/itemId",
"classifiedLand", "padding 0")В этом примере растр классифицируется на основе пользовательской классификации пикселов с помощью глубокого обучения в развертывании анализа растров и публикуется в качестве размещенного слоя изображений на портале.
#---------------------------------------------------------------------------
# Name: ClassifyPixelsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/ landclassification/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "classifiedLand"
modelArgs = "padding 0"
# Execute Classified Pixels Using raster analysis tool
arcpy.ClassifyPixelsUsingDeepLearning_ra(inImage, inModel, outName, modelArgs)Environments
Информация о лицензиях
- Basic: Требуется ArcGIS Image Server
- Standard: Требуется ArcGIS Image Server
- Advanced: Требуется ArcGIS Image Server