Экспорт обучающих данных для глубокого обучения (Image Analyst)

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

ПодписьОписаниеТип 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.

  • Формат TIFFБудет использоваться формат TIFF.
  • Формат PNGБудет использоваться формат PNG.
  • Формат JPEGБудет использоваться формат JPEG.
  • MRF (Формат Мета Растр)Будет использован формат Meta Raster (MRF)
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.

  • Отмечено – экспортируются все кусочки, включая те, которые не захватывают обучающие выборки.
  • Не отмечено – экспортируются только кусочки изображений, которые захватывают обучающие выборки. Это значение по умолчанию

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.

  • Метки KITTIМетаданные соответствуют формату Karlsruhe Institute of Technology and Toyota Technological Institute (KITTI) Object Detection Evaluation dataset. Набор данных KITTI представляет собой набор зрительных тестов. Файлы меток – это файлы с простым текстом. Все значения, как числовые так и строковые, разделены пробелами, и каждая строка соответствует одному объекту.Этот формат используется для обнаружения объектов.
  • Классы визуальных объектов PASCALМетаданные соответствуют формату набора данных Pattern Analysis, Statistical Modeling and Computational Learning, Visual Object Classes (PASCAL_VOC) dataset. Набор данных PASCAL VOC – стандартизированные данные изображений, предназначенные для распознавания объектных классов. Файлы меток хранятся в формате XML и содержат информацию об имени изображения, значении класса и ограничивающих прямоугольниках.Этот формат используется для обнаружения объектов. Это значение по умолчанию
  • Классифицированные листыВыходными данными будет один классифицированный кусочек изображения на один входной кусочек изображения. Другие метаданные для кусочков изображений не используются. Только выходные данные статистики содержат больше информации для классов, включая имя класса, значение класса и выходную статистику.Этот формат в первую очередь используется для классификации пикселов. Этот формат также используется для выявления изменений, если выходными данными будет один кусочек классифицированного изображения из двух кусочков изображения.
  • Маски RCNNВыходными данными будет кусочек изображения, имеющий маску в областях, где присутствует образец. Модель генерирует ограничивающие рамки и маски сегментации для каждого экземпляра объекта на изображении. Этот формат основан на Feature Pyramid Network (FPN) и опорной сети ResNet101 в модели глубокого обучения.Этот формат используется для выявления объектов, однако его также можно использовать для отслеживания объектов, если во время обучения используется тип модели Siam Mask, а также для классификации пикселов временных рядов, если используется архитектура PSETAE.
  • Отмеченные листыКаждый выходной лист будет отмечен по определенному классу.Этот формат используется для классификации объектов.
  • Листы с несколькими меткамиКаждый выходной лист будет отмечен одним или несколькими классами. Например, лист может быть отмечен как "сельскохозяйственные земли" и "облачно".Этот формат используется для классификации объектов.
  • Экспорт листовВыходными данными будут кусочки изображений без меток.Этот формат используется для методов переноса изображений, например Pix2Pix или Суперразрешение.
  • CycleGANВыходными данными будут кусочки изображений без меток.Этот формат используется для методов переноса изображений CycleGAN, который применяется для обучения изображений без перекрытий.
  • ImagenetКаждый выходной лист будет отмечен по определенному классу.Этот формат используется для классификации объектов, но также может быть использован для отслеживания объектов, если тип модели Deep Sort используется для обучения.
  • Паноптическая сегментацияВыходными данными будет один классифицированный кусочек изображения и один экземпляр на каждый входной кусочек изображения. Выходными данными также будет кусочек изображения с маской в областях, где присутствует образец, эти кусочки будут храниться в другой папке.Этот формат используется для классификации пикселов и сегментации экземпляра, поэтому будут созданы две выходные папки.
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.

  • Пространство картыБудет использоваться основанная на карте система координат. Это значение по умолчанию
  • Пиксельное пространствоБудет использоваться пространство изображения - без поворота и искажений.
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.

  • Обработка как мозаики изображенийВсе растровые элементы в наборе данных мозаики или сервисе изображений будут объединены в мозаику и обработаны. Это значение по умолчанию
  • Обработка всех растровых элементов отдельноВсе растровые элементы в наборе данных мозаики или сервисе изображений будут обработаны как отдельные изображения.
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.

  • Не отмечено — пикселы, окружающие объекты или явления, затемнены не будут. Это значение по умолчанию
  • Отмечено — пикселы, окружающие объекты или явления, будут затемнены.
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.

  • Фиксированный размерЭкспортированные листы будут одинакового размера и будут центрированы на объектах. Это значение по умолчанию
  • Ограничивающий прямоугольник:Экспортированные листы будут обрезаны таким образом, чтобы ограничивающая геометрия окружала только объект внутри листа.
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 применяется в случае, когда в качестве Формата метаданных указана 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 применяется в случае, когда в качестве Формата метаданных указана 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

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})
ИмяОписаниеТип 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.

  • TIFFБудет использоваться формат TIFF.
  • PNGБудет использоваться формат PNG.
  • JPEGБудет использоваться формат JPEG.
  • MRFБудет использован формат Meta Raster (MRF)
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.

  • ALL_TILESЭкспортируются все кусочки, включая те, которые не захватывают обучающие выборки.
  • ONLY_TILES_WITH_FEATURESЭкспортируются только кусочки изображений, которые захватывают обучающие выборки. Это значение по умолчанию
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.

  • KITTI_rectanglesМетаданные соответствуют формату Karlsruhe Institute of Technology and Toyota Technological Institute (KITTI) Object Detection Evaluation dataset. Набор данных KITTI представляет собой набор зрительных тестов. Файлы меток – это файлы с простым текстом. Все значения, как числовые так и строковые, разделены пробелами, и каждая строка соответствует одному объекту.Этот формат используется для обнаружения объектов.
  • PASCAL_VOC_rectanglesМетаданные соответствуют формату набора данных Pattern Analysis, Statistical Modeling and Computational Learning, Visual Object Classes (PASCAL_VOC) dataset. Набор данных PASCAL VOC – стандартизированные данные изображений, предназначенные для распознавания объектных классов. Файлы меток хранятся в формате XML и содержат информацию об имени изображения, значении класса и ограничивающих прямоугольниках.Этот формат используется для обнаружения объектов. Это значение по умолчанию
  • Classified_TilesВыходными данными будет один классифицированный кусочек изображения на один входной кусочек изображения. Другие метаданные для кусочков изображений не используются. Только выходные данные статистики содержат больше информации для классов, включая имя класса, значение класса и выходную статистику.Этот формат в первую очередь используется для классификации пикселов. Этот формат также используется для выявления изменений, если выходными данными будет один кусочек классифицированного изображения из двух кусочков изображения.
  • RCNN_MasksВыходными данными будет кусочек изображения, имеющий маску в областях, где присутствует образец. Модель генерирует ограничивающие рамки и маски сегментации для каждого экземпляра объекта на изображении. Этот формат основан на Feature Pyramid Network (FPN) и опорной сети ResNet101 в модели глубокого обучения.Этот формат используется для выявления объектов, однако его также можно использовать для отслеживания объектов, если во время обучения используется тип модели Siam Mask, а также для классификации пикселов временных рядов, если используется архитектура PSETAE.
  • Labeled_TilesКаждый выходной лист будет отмечен по определенному классу.Этот формат используется для классификации объектов.
  • MultiLabeled_TilesКаждый выходной лист будет отмечен одним или несколькими классами. Например, лист может быть отмечен как "сельскохозяйственные земли" и "облачно".Этот формат используется для классификации объектов.
  • Export_TilesВыходными данными будут кусочки изображений без меток.Этот формат используется для методов переноса изображений, например Pix2Pix или Суперразрешение.
  • CycleGANВыходными данными будут кусочки изображений без меток.Этот формат используется для методов переноса изображений CycleGAN, который применяется для обучения изображений без перекрытий.
  • ImagenetКаждый выходной лист будет отмечен по определенному классу.Этот формат используется для классификации объектов, но также может быть использован для отслеживания объектов, если тип модели Deep Sort используется для обучения.
  • Panoptic_SegmentationВыходными данными будет один классифицированный кусочек изображения и один экземпляр на каждый входной кусочек изображения. Выходными данными также будет кусочек изображения с маской в областях, где присутствует образец, эти кусочки будут храниться в другой папке.Этот формат используется для классификации пикселов и сегментации экземпляра, поэтому будут созданы две выходные папки.

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:

  <?xml version=”1.0”?>
- <layout>
      <image>000000000</image>
      <object>1</object>
    - <part>
         <class>1</class>
       - <bndbox>
            <xmin>31.85</xmin>
            <ymin>101.52</ymin>
            <xmax>256.00</xmax>
            <ymax>256.00</ymax>
         </bndbox>
      </part>
  </layout>

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.

  • MAP_SPACEБудет использоваться основанная на карте система координат. Это значение по умолчанию
  • PIXEL_SPACEБудет использоваться пространство изображения - без поворота и искажений.
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.

  • PROCESS_AS_MOSAICKED_IMAGEВсе растровые элементы в наборе данных мозаики или сервисе изображений будут объединены в мозаику и обработаны. Это значение по умолчанию
  • PROCESS_ITEMS_SEPARATELYВсе растровые элементы в наборе данных мозаики или сервисе изображений будут обработаны как отдельные изображения.
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.

  • NO_BLACKENПикселы, окружающие объекты или явления, затемнены не будут. Это значение по умолчанию
  • BLACKEN_AROUND_FEATUREПикселы, окружающие объекты или явления, затемнены не будут.
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.

  • FIXED_SIZEЭкспортированные листы будут одинакового размера и будут центрированы на объектах. Это значение по умолчанию
  • BOUNDING_BOXЭкспортированные листы будут обрезаны таким образом, чтобы ограничивающая геометрия окружала только объект внутри листа.
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 доступен только, если в качестве metadata_format выбран 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 доступен только, если в качестве metadata_format выбран 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

ExportTrainingDataForDeepLearning, пример 1 (окно Python)

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")
ExportTrainingDataForDeepLearning, пример 2 (автономный скрипт)

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)

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