使用深度学习检测变化 (Image Analyst)—ArcGIS Pro

获得 Image Analyst 许可后可用。

摘要

运行训练深度学习模型以检测两个栅格之间的变化。

该工具需要包含经过训练的模型信息的模型定义文件。模型定义文件可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。

使用情况

此工具的输入为两个图像：先前时间图像和最近时间图像。输出为已分类栅格数据集，用于显示两个栅格输入之间的变化。
您必须在 ArcGIS Pro Python 环境中安装适当的深度学习框架 Python API（例如 TensorFlow 或 PyTorch）；否则在将 Esri 模型定义文件添加至工具时会发生错误。向 Esri 模型定义文件的创建者索取相应的框架信息。
要设置计算机以在 ArcGIS Pro 中使用深度学习框架，请参阅安装 ArcGIS 的深度学习框架。
该工具将调用第三方深度学习 Python API（例如 TensorFlow、PyTorch 或 Keras），并使用指定的 Python 栅格函数来处理每个对象。
模型定义参数值可以是 EsriEsri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。
可能需要其他输入参数，例如迷你批量大小、填充大小等。

有关模型定义 JSON 文件 (.emd)，请参阅下面的示例。

示例模型定义 JSON 文件


{
   "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]
           	}
   ]
}

增加批量大小可以提高工具性能；但是随着批量大小增加，所用内存也将随之增加。如果出现内存不足错误，则降低批量大小。可以使用自变量参数调整 batch_size 值。
批量大小为平方数，例如 1、4、9、16、25、64 等。如果输入值不是完全平方值，将使用可能的最高平方值。例如，如果指定的值为 6，表示可以将批量大小设置为 4。
该工具将支持并使用多个 GPU（如果可用）。要使用特定的 GPU，指定 GPU ID 环境。如果未设置 GPU ID，该工具将使用所有可用 GPU。这是默认设置。
有关运行此工具的要求以及您可能遇到的问题的信息，请参阅深度学习常见问题。
有关深度学习的详细信息，请参阅 ArcGIS Pro 中的深度学习。

参数

标注	说明	数据类型
自栅格	更改前的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
至栅格	更改后的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
输出分类栅格	显示变化的输出分类栅格。	Raster Dataset
模型定义	模型定义参数值可以是 EsriEsri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。其中包含深度学习二进制模型文件的路径、待使用的 Python 栅格函数的路径以及其他参数，例如首选切片大小或填充。	File; String
参数 (可选)	将使用模型定义参数中的信息填充此参数。这些参数会有所变化，具体取决于模型架构。下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 padding - 影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。要在减少伪影的同时使输出更加平滑，请增大此值。内边距的最大值可以是切片大小值的一半。此参数适用于所有模型架构。 batch_size - 模型推断每个步骤中处理的影像切片数。这取决于显卡的内存。此参数适用于所有模型架构。	Value Table

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

名称	说明	数据类型
from_raster	更改前的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
to_raster	更改后的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
out_classified_raster	显示变化的输出分类栅格。	Raster Dataset
in_model_definition	in_model_definition 参数值可以是 Esri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。其中包含深度学习二进制模型文件的路径、待使用的 Python 栅格函数的路径以及其他参数，例如首选切片大小或填充。	File; String
arguments [arguments,...] (可选)	in_model_definition 参数中的信息将用于设置此参数的默认值。这些参数会有所变化，具体取决于模型架构。下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 padding - 影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。要在减少伪影的同时使输出更加平滑，请增大此值。内边距的最大值可以是切片大小值的一半。此参数适用于所有模型架构。 batch_size - 模型推断每个步骤中处理的影像切片数。这取决于显卡的内存。此参数适用于所有模型架构。	Value Table

代码示例

DetectChangeUsingDeepLearning 示例 1（Python 窗口）

此示例运行深度学习模型以查找两个图像之间的差异。

# 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 示例 2（独立脚本）

此示例运行深度学习模型以查找两个图像之间的差异。

# 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")

环境

像元大小, 当前工作空间, 范围, 地理变换, GPU ID, 输出坐标系, 并行处理因子, 处理器类型, 临时工作空间

许可信息

Basic: 需要 Image Analyst
Standard: 需要 Image Analyst
Advanced: 需要 Image Analyst

摘要

使用情况

参数

代码示例

环境

许可信息

相关主题

在本主题中