Доступно с лицензией Spatial Analyst.
Доступно с лицензией Image Analyst.
Сводка
Конвертирует надписанные векторные или растровые данные в наборы данных глубокого обучения с использованием спутникового изображения. Инструмент создает папку чипов изображений и папку файлов метаданных в определенном формате.
Использование
Этот инструмент будет создавать учебные наборы данных для поддержки приложений, созданных сторонними производителями для глубокого обучения, например Google TensorFlow, Keras, PyTorch или Microsoft CNTK.
Обучающие выборки для глубокого обучения формируются на основе небольших фрагментов изображений, содержащих объект или класс интереса, которые называются «кусочками изображений».
Используйте ваши собственные классификационные обучающие данные или классы пространственных объектов ГИС, например, слой контуров зданий, для создания кусочков изображений, содержащих выборки классов из вашего исходного изображения. Как правило размеры кусочка изображения составляют 256 строк на 256 столбцов пикселов, если обучающая выборка не больше. Каждый кусочек изображения может содержать один или несколько объектов. Если используется формат метаданных Надписанные листы, то в каждом кусочке изображения может быть только один объект.
Если задать параметр Система привязки, то данные обучения может экспортировать в область карты или область пикселов (сырая область изображения) для использования для тренировки модели глубокого обучения.
Этот инструмент поддерживает экспорт данных обучения из набора изображений. Вы можете добавить папку с изображениями в качестве Входного растра. Если ваш Входной растр представляет собой набор данных мозаики или сервис изображений, вы также можете задать Режим обработки, чтобы обработать мозаику как в качестве единого входного параметра, так и по отдельности для каждого растрового элемента.
Размер ячейки и экстент можно настроить с помощью параметров среды геообработки.
Информацию о требованиях к запуску этого инструмента и проблемах, с которыми вы можете столкнуться, см. в разделе Часто задаваемые вопросы по глубокому обучению
.
Синтаксис
ExportTrainingDataForDeepLearning(in_raster, out_folder, in_class_data, image_chip_format, {tile_size_x}, {tile_size_y}, {stride_x}, {stride_y}, {output_nofeature_tiles}, {metadata_format}, {start_index}, {class_value_field}, {buffer_radius}, {in_mask_polygons}, {rotation_angle}, {reference_system}, {processing_mode}, {blacken_around_feature}, {crop_mode})| Parameter | Объяснение | Тип данных |
in_raster | Входное исходное изображение, обычно мультиспектральный снимок. В качестве входных изображений могут быть мультиспектральные снимки, снимки с БПЛА, или снимки National Agriculture Imagery Program (NAIP). Входными данными может быть папка с изображениями. | Raster Dataset; Raster Layer; Mosaic Layer; Image Service; MapServer; Map Server Layer; Internet Tiled Layer; Folder |
out_folder | Папку для записи выходных кусочков изображений и хранения метаданных. Папку также можно задать как URL-адрес папки, который использует файл подключения к облачному хранилищу (*.acs). | Folder |
in_class_data | Данные обучающей выборки - векторные или растровые. Входные векторные данные должны соответствовать формату обучающих выборок, создаваемых с помощью инструментов панели Менеджер обучающей выборки. Входные растровые данные должны соответствовать формату классифицированного растра, создаваемого инструментом Классифицировать растр. При следовании соответствующему формату образца выборки будут получены оптимальные результаты со статистической информацией, однако входными данными также может быть точечный класс объектов без поля со значениями классов, либо целочисленный растр, в котором нет информации о классах. | Feature Class; Feature Layer; Raster Dataset; Raster Layer; Mosaic Layer; Image Service |
image_chip_format | Задает формат растра, который будет использоваться для выходных кусочков изображения. PNG и JPEG поддерживают до трех каналов.
| String |
tile_size_x (Дополнительный) | Размер кусочков изображений по измерению X. | Long |
tile_size_y (Дополнительный) | Размер кусочков изображений по измерению Y. | Long |
stride_x (Дополнительный) | Расстояние для смещения по направлению X, при создании следующих кусочков изображения. Когда шаг равен размеру листа, наложения (перекрытия) не будет. Если шаг равен половине размера листа, величина перекрытия будет равна 50. | Long |
stride_y (Дополнительный) | Расстояние для смещения по направлению Y, при создании следующих кусочков изображения. Когда шаг равен размеру листа, наложения (перекрытия) не будет. Если шаг равен половине размера листа, величина перекрытия будет равна 50. | Long |
output_nofeature_tiles (Дополнительный) | Определяет, будут ли экспортироваться кусочки изображения, не захватывающие обучающие выборки.
| Boolean |
metadata_format (Дополнительный) | Задает формат надписей выходных метаданных. Опции меток выходных метаданных для обучающих данных: Прямоугольники KITTI, Прямоугольники PASCAL VOC, Классифицированные листы (карта классов), Маски RCNN, Надписанные листы, Мульти-надписанные листы и Экспорт листов. Если ваши обучающие данные представляют собой векторный слой, например слой зданий или стандартный файл классификации обучающих выборок, используйте опции прямоугольников KITTI или PASCAL VOC. Выходные метаданные – это файл .txt или .xml, содержащий обучающие выборки данных, которые попадают в минимальный ограничивающий прямоугольник. Имя файла метаданных соответствует имени входного изображения. Если ваши входные данные обучающих выборок – карта классов, используйте Классифицированные листы в качестве выходного формата метаданных.
Для формата метаданных KITTI создается 15 столбцов, но только 5 из них будут использованы инструментом. Первый столбец – значение класса. Следующие 3 столбца пропускаются. Столбцы 5-8 задают минимальный ограничивающий прямоугольник, который состоит из четырех координат местоположений изображения: левый, верхний, правый и нижний пиксел, соответственно. Минимальный ограничивающий прямоугольник определяет обучающий кусочек изображения, который используется классификатором глубокого обучения. Остальные столбцы не используются. Ниже приведен пример использования опции PASCAL VOC: Для дополнительной информации см. Визуальные объектные классы PASCAL | String |
start_index (Дополнительный) | Прежние версии:Этот параметр больше не используется. Используйте значение 0 или # в Python. | Long |
class_value_field (Дополнительный) | Поле, содержащее значения классов. Если поле не указано, система ищет поле value или classvalue. Если объект не содержит поле класса, система определяет, что все записи относятся к одному классу. | Field |
buffer_radius (Дополнительный) | Радиус буфера вокруг каждой обучающей выборки для разграничения областей обучающих выборок. Это позволяет создавать круглые полигоны обучающих выборок для точек. Используются линейные единицы измерения пространственной привязки in_class_data. | Double |
in_mask_polygons (Дополнительный) | Полигональный класс объектов, который обозначает области, где будут создаваться кусочки изображений. Будут создаваться только те кусочки, которые полностью находятся в пределах полигонов. | Feature Layer |
rotation_angle (Дополнительный) | Угол поворота, который будет использоваться для генерации дополнительных кусочков изображений. Кусочек изображения генерируется с углом поворота 0, т.е. без поворота. Затем он будет повернут на указанный угол для создания дополнительного кусочка изображения. Такие же обучающие выборки будут захвачены с несколькими углами в нескольких кусочках изображений для приращения данных. Угол поворота по умолчанию равен 0. | Double |
reference_system (Дополнительный) | Определяет тип системы привязки, которая будет использоваться при интерпретации входного изображения. Указанная система привязки по возможности должна совпадать с привязкой, которая использовалась для тренировки модели глубокого обучения.
| String |
processing_mode (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 |
blacken_around_feature (Дополнительный) | Определяет, где затемнять пикселы вокруг каждого объекта или элемента в каждом листе изображения. Этот параметр применяется только в случае, когда в качестве формата метаданных указаны Labeled_Tiles, а также указан входной класс объектов или классифицированный растр.
| Boolean |
crop_mode (Дополнительный) | Определяет, будут ли экспортированные тайлы обрезаться так, чтобы они все стали одинакового размера. Этот параметр применяется только в случае, когда в качестве формата метаданных указаны Labeled_Tiles, а также указан входной класс объектов или классифицированный растр.
| String |
Пример кода
В этом примере создаются учебные примеры для глубокого обучения.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
ExportTrainingDataForDeepLearning("c:/test/image.tif", "c:/test/outfolder",
"c:/test/training.shp", "TIFF", "256", "256", "128", "128",
"ONLY_TILES_WITH_FEATURES", "Labeled_Tiles", 0, "Classvalue",
0, None, 0, "MAP_SPACE", "PROCESS_AS_MOSAICKED_IMAGE", "NO_BLACKEN", "FIXED_SIZE")В этом примере создаются учебные примеры для глубокого обучения.
# Import system modules and check out ArcGIS Image Analyst extension license
import arcpy
arcpy.CheckOutExtension("ImageAnalyst")
from arcpy.ia import *
# Set local variables
inRaster = "c:/test/InputRaster.tif"
out_folder = "c:/test/OutputFolder"
in_training = "c:/test/TrainingData.shp"
image_chip_format = "TIFF"
tile_size_x = "256"
tile_size_y = "256"
stride_x= "128"
stride_y= "128"
output_nofeature_tiles= "ONLY_TILES_WITH_FEATURES"
metadata_format= "Labeled_Tiles"
start_index = 0
classvalue_field = "Classvalue"
buffer_radius = 0
in_mask_polygons = "MaskPolygon"
rotation_angle = 0
reference_system = "PIXEL_SPACE"
processing_mode = "PROCESS_AS_MOSAICKED_IMAGE"
blacken_around_feature = "NO_BLACKEN"
crop_mode = “FIXED_SIZE”
# Execute
ExportTrainingDataForDeepLearning(inRaster, out_folder, in_training,
image_chip_format,tile_size_x, tile_size_y, stride_x,
stride_y,output_nofeature_tiles, metadata_format, start_index,
classvalue_field, buffer_radius, in_mask_polygons, rotation_angle,
reference_system, processing_mode, blacken_around_feature, crop_mode)Environments
Информация о лицензиях
- Basic: Требуется Image Analyst or Spatial Analyst
- Standard: Требуется Image Analyst or Spatial Analyst
- Advanced: Требуется Image Analyst or Spatial Analyst
Связанные разделы
- An overview of the Deep Learning toolset
- GUID-3193C25B-78BB-4BFF-986C-23071BA1F76B
- Train Deep Learning Model
- Поиск инструмента геообработки
- Classify Objects Using Deep Learning
- Classify Pixels Using Deep Learning
- Detect Objects Using Deep Learning
- An overview of the Segmentation and Classification toolset in Image Analyst