| Подпись | Описание | Тип данных |
Входной растр | Входное исходное изображение, обычно мультиспектральный снимок. В качестве входных изображений могут быть мультиспектральные спутниковые 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; Map Server; Map Server Layer; Internet Tiled Layer; Folder |
Выходная папка | 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 |
Входной класс объектов или Классифицированный растр или Таблица | 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. Входные растровые данные также могут поступать из папки классифицированных растров. Для классифицированного растра необходима соответствующая таблица атрибутов растра. Входные таблицы должны соответствовать формату обучающих выборок, создаваемых с помощью кнопки Отметить объекты для глубокого обучения в панели Менеджер обучающей выборки. 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; Table; Folder |
Формат изображения | Задает формат растра, который будет использоваться для выходных кусочков изображения. Форматы PNG и JPEG поддерживают до трех каналов.
| String |
Размер листа по X (Дополнительный) | Размер кусочков изображений по измерению X. | Long |
Размер листа по Y (Дополнительный) | Размер кусочков изображений по измерению Y. | Long |
Шаг по 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 |
Шаг по 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 |
Выходные листы No Feature (Дополнительный) | Определяет, будут ли экспортироваться кусочки изображения, не захватывающие обучающие выборки.
Если отмечено, кусочки изображений, не захватывающие отмеченные данные, также будут экспортироваться; если не отмечено - они не экспортируются. | Boolean |
Формат метаданных (Дополнительный) | Задает формат, который будет использован для надписей выходных метаданных. Если ваши входные данные обучающей выборки являются слоем класса объектов, например, слоем зданий или файлом обучающей выборки стандартной классификации, используйте опцию меток KITTI или PASCAL Visual Object Classes (KITTI_rectangles или PASCAL_VOC_rectangles в Python). 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 опцию Классифицированные листы (Classified_Tiles в Python) 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 три столбца пропускаются. Столбцы c 5 по 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.
| String |
Начальный индекс (Дополнительный) | Прежние версии:Этот параметр больше не используется. | Long |
Поле значений класса (Дополнительный) | Поле, содержащее значения классов. Если поле не указано, система ищет поле value или classvalue. Поле должно быть числовым, обычно целочисленным. Если объект не содержит поле класса, система определяет, что все записи относятся к одному классу. | Field |
Радиус буфера (Дополнительный) | Радиус буфера вокруг каждой обучающей выборки для разграничения областей обучающих выборок. Это позволяет создавать круглые полигоны обучающих выборок для точек. Используются единицы измерения пространственной привязки Входного класса объектов или Классифицированного растра, или Таблицы. | Double |
Входные полигоны маски (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 |
Угол поворота (Дополнительный) | Угол поворота, который будет использоваться для генерации кусочков изображений. Фрагмент изображения сначала генерируется без поворота. Затем он будет повернут на указанный угол для создания дополнительного фрагмента изображения. Изображение будет поворачиваться, будут создаваться фрагменты, пока изображение не будет полностью повернуто. Например, если вы задали угол поворота 45 градусов, инструмент создаст восемь фрагментов изображения. Восемь фрагментов изображения будут созданы на следующих углах: 0, 45, 90, 135, 180, 25, 270 и 315. Угол поворота по умолчанию равен 0, при этом создается один фрагмент изображения по умолчанию. | Double |
Система привязки (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 |
Режим обработки (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 |
Объект с затемнением вокруг (Дополнительный) | Определяет, будут ли маскироваться пикселы вокруг каждого объекта или пространственного объекта в каждом листе изображения. Этот параметр применяется только в случае, когда в качестве Формата метаданных указаны Надписанные листы, а также указан входной класс объектов или классифицированный растр.
| Boolean |
Режим кадрирования (Дополнительный) | Определяет, будут ли экспортированные листы обрезаться так, чтобы они все стали одинакового размера. Этот параметр применяется только в случае, когда в качестве Формата метаданных указаны Надписанные листы или Imagenet, а также указан входной класс объектов или классифицированный растр.
| String |
Дополнительный входной растр (Дополнительный) | Дополнительный источник входного изображения для методов переноса изображений. Этот параметр применяется в случае, когда в качестве формата метаданных указаны Классифицированные листы, Экспорт листов или CycleGAN. | Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder |
Класс объектов экземпляра (Дополнительный) | Собранные данные обучающей выборки, которые содержат классы для сегментации экземпляра. Входными данными также может быть точечный класс объектов без поля со значениями классов, либо целочисленный растр, в котором нет информации о классах. Этот параметр действителен, только если для параметра Формат метаданных задано значение Общая сегментация. | Feature Class; Feature Layer; Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Table; Folder |
Поле значений класса экземпляра (Дополнительный) | Поле, содержащее значения классов для сегментации экземпляра. Если поле не задано, инструмент будет использовать поля значения или поле значения класса, если есть. Если объект не содержит поле класса, инструмент определит, что все записи относятся к одному классу. Этот параметр действителен, только если для параметра Формат метаданных задано значение Общая сегментация. | Field |
Минимальный коэффициент перекрытия полигонов (Дополнительный) | Минимальный процент перекрытия для объекта, включенного в обучающие данные. Если процент перекрытия меньше заданного значения, объект будет исключен из обучающего кусочка, и не будет добавляться в файл надписи. Значение процента выражено десятичным числом. Например, чтобы задать перекрытие в 20 процентов, используйте значение 0.2. Значение по умолчанию равно 0, т.е. будут включены все объекты. Этот параметр повышает производительность инструмента, а также улучшает вывод. Скорость обработки увеличивается, т.к. создается меньше обучающих кусочков. Скорость вывода повышается, т.к. модель обучается для определения только больших фрагментов объектов, небольшие углы игнорируются. Это означает нахождение меньшего числа ложно позитивных данных, и меньше ложно позитивных данных будет удаляться инструментом Не максимальное подавление. Этот параметр активен, когда значением параметра Входной класс объектов или классифицированный растр или Таблица является класс объектов. | Double |
Доступно с лицензией Spatial Analyst.
Доступно с лицензией Image Analyst.
Краткая информация
Конвертирует надписанные векторные или растровые данные в наборы данных глубокого обучения с использованием спутникового изображения. Инструмент создает папку кусочков 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, Microsoft CNTK и другие.
Обучающие выборки для глубокого обучения формируются на основе небольших фрагментов изображений, называемых - кусочки изображения, которые содержат объект или класс интереса.
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 параметр формата метаданных Отмеченные листы, то в каждом кусочке изображения может быть только один объект.
Если задать параметр Система привязки, то данные обучения можно экспортировать в пространство карты или пространство пикселов (пространство необработанного изображения) для использования в тренировке 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.
Инструмент учитывает параметр среды Коэффициент параллельной обработки. По умолчанию Коэффициент параллельной обработки не включен; следовательно, инструмент будет работать на одном ядре. При использовании больших наборов данных включите Коэффициент параллельной обработки, указав количество ядер, которое инструмент может использовать для распределения рабочей нагрузки.
Информацию о требованиях к запуску этого инструмента и проблемах, с которыми вы можете столкнуться, см. в разделе Часто задаваемые вопросы по глубокому обучению.
Параметры
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}, {in_raster2}, {in_instance_data}, {instance_class_value_field}, {min_polygon_overlap_ratio})| Имя | Описание | Тип данных |
in_raster | Входное исходное изображение, обычно мультиспектральный снимок. В качестве входных изображений могут быть мультиспектральные спутниковые 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; Map Server; 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. Входные растровые данные также могут поступать из папки классифицированных растров. Для классифицированного растра необходима соответствующая таблица атрибутов растра. Входные таблицы должны соответствовать формату обучающих выборок, создаваемых с помощью кнопки Отметить объекты для глубокого обучения в панели Менеджер обучающей выборки. 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; Table; Folder |
image_chip_format | Задает формат растра, который будет использоваться для выходных кусочков изображения. Форматы 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, который будет использован для надписей выходных метаданных. Если ваши входные данные обучающей выборки являются слоем класса объектов, например, слоем зданий или файлом обучающей выборки стандартной классификации, используйте опцию меток KITTI или PASCAL Visual Object Classes (KITTI_rectangles или PASCAL_VOC_rectangles в Python). 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 опцию Классифицированные листы (Classified_Tiles в Python) 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 три столбца пропускаются. Столбцы c 5 по 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_rectangles: Более подробную информацию можно найти в документе Microsoft PASCAL Visual Object Classes (VOC) Challenge. | 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. Поле должно быть числовым, обычно целочисленным. 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 кусочков изображений. Фрагмент изображения сначала генерируется без поворота. Затем он будет повернут на указанный угол для создания дополнительного фрагмента изображения. Изображение будет поворачиваться, будут создаваться фрагменты, пока изображение не будет полностью повернуто. Например, если вы задали угол поворота 45 градусов, инструмент создаст восемь фрагментов изображения. Восемь фрагментов изображения будут созданы на следующих углах: 0, 45, 90, 135, 180, 25, 270 и 315. Угол поворота по умолчанию равен 0, при этом создается один фрагмент изображения по умолчанию. | 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, будут ли маскироваться пикселы вокруг каждого объекта или пространственного объекта в каждом листе изображения. Этот параметр применяется только в случае, когда в качестве metadata_format указаны Labeled_Tiles, а также указан входной класс объектов или классифицированный растр.
| Boolean |
crop_mode (Дополнительный) | Определяет, будут ли экспортированные листы обрезаться так, чтобы они все стали одинакового размера. Этот параметр применяется только в случае, когда в качестве metadata_format указаны Labeled_Tiles или Imagenet, а также указан входной класс объектов или классифицированный растр.
| String |
in_raster2 (Дополнительный) | Дополнительный источник входного изображения для методов переноса изображений. Этот параметр корректен в тех случаях, когда параметр metadata_format установлен на Classified_Tiles, Export_Tiles или CycleGAN. | Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder |
in_instance_data (Дополнительный) | Собранные данные обучающей выборки, которые содержат классы для сегментации экземпляра. Входными данными также может быть точечный класс объектов без поля со значениями классов, либо целочисленный растр, в котором нет информации о классах. Этот параметр корректен только в тех случаях, когда для параметра metadata_format задано значение Panoptic_Segmentation. | Feature Class; Feature Layer; Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Table; Folder |
instance_class_value_field (Дополнительный) | Поле, содержащее значения классов для сегментации экземпляра. Если поле не задано, инструмент будет использовать поля значения или поле значения класса, если есть. Если объект не содержит поле класса, инструмент определит, что все записи относятся к одному классу. Этот параметр корректен только в тех случаях, когда для параметра metadata_format задано значение Panoptic_Segmentation. | Field |
min_polygon_overlap_ratio (Дополнительный) | Минимальный процент перекрытия для объекта, включенного в обучающие данные. Если процент перекрытия меньше заданного значения, объект будет исключен из обучающего кусочка, и не будет добавляться в файл надписи. Значение процента выражено десятичным числом. Например, чтобы задать перекрытие в 20 процентов, используйте значение 0.2. Значение по умолчанию равно 0, т.е. будут включены все объекты. Этот параметр повышает производительность инструмента, а также улучшает вывод. Скорость обработки увеличивается, т.к. создается меньше обучающих кусочков. Скорость вывода повышается, т.к. модель обучается для определения только больших фрагментов объектов, небольшие углы игнорируются. Это означает нахождение меньшего числа ложно позитивных данных, и меньше ложно позитивных данных будет удаляться инструментом Не максимальное подавление. Этот параметр включен, когда значением параметра in_class_data является класс объектов. | Double |
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)Параметры среды
Информация о лицензиях
- Basic: Обязательно Image Analyst или Spatial Analyst
- Standard: Обязательно Image Analyst или Spatial Analyst
- Advanced: Обязательно Image Analyst или Spatial Analyst
Связанные разделы
- Обзор группы инструментов Классификация и Распознавание закономерностей
- Поиск инструмента геообработки
- Обзор группы инструментов Глубокое обучение
- Установка среды глубокого обучения для ArcGIS
- Тренировать модель глубокого обучения
- Аргументы глубокого обучения
- Архитектура моделей глубокого обучения
- Классифицировать объекты при помощи глубокого обучения
- Классифицировать пикселы при помощи глубокого обучения
- Выявить объекты при помощи глубокого обучения