ArcGIS深度学习处理流程（二）：模型训练与应用

ArcGIS 深度学习处理流程（2）

• 深度学习与ArcGIS处理流程梳理
• 1、标注对象以供深度学习 2、导出训练数据进行深度学习 (Image Analyst) 3、训练深度学习模型 (Image Analyst) 4、深度学习推理工具 4.1使用深度学习检测对象 (Image Analyst) 4.2使用深度学习分类对象 (Image Analyst) 4.3使用深度学习分类像素 (Image Analyst) 5、结果后处理能力

ArcGIS Pro 中的深度学习工具可以使用除标准机器学习分类技术以外的更多技术。

使用卷积神经网络或深度学习模型检测对象、对对象进行分类或对图像 像素  进行分类。集成外部深度学习模型框架，例如 TensorFlow、CNTK、PyTorch 和 Keras。多次使用模型定义文件来检测随时间的变化或检测不同感兴趣区域中的对象。生成面要素类来显示检测到的对象的位置，以供其他分析或工作流使用。利用 GPU 处理以及使用 CPU 进行分布式处理。

关于深度学习与ArcGIS概述，参考：深度学习与ArcGIS概述(1)

可在 ArcGIS Pro 中使用标准训练样本生成工具创建和导出训练样本。深度学习模型可以使用训练深度学习模型工具通过 PyTorch 框架进行训练，或者可以在 ArcGIS Pro 外部使用另一个 深度学习框架 进行训练。训练模型后，使用 Esri 模型定义文件 (.emd) 运行地理处理工具以检测影像中的要素或对其进行分类。

深度学习与ArcGIS处理流程梳理

第一步是深度学习环境配置：

需要在克隆 Python 环境中安装适当的深度学习框架 Python API；否则，在将 Esri 模型定义文件添加到深度学习地理处理工具时，将发生错误。从数据科学家处获取相应的框架信息，并参考框架的文档获取安装帮助。有关示例，请参阅为 ArcGIS 设置深度学习框架。

参考 ： ArcGIS深度学习环境配置

第二步：创建并导出训练样本。

   使用训练样本管理器选择或创建分类方案。

   为感兴趣的类类别或类要素创建训练站点样本。保存训练样本文件。

   运行导出训练数据进行深度学习地理处理工具，将源影像和训练样本转换为深度学习训练数据。源影像可以是图像服务、镶嵌 数据集  、栅格数据集或栅格文件夹。该工具的输出为影像片或样本，其中包含用于训练深度学习模型的训练场。工具的其他输出是由数据科学家填充的模板 .emd 文件。
第三步：训练深度学习模型。

   使用训练深度学习模型工具通过在上一步中生成的影像片训练深度学习模型。
第四步：在 ArcGIS Pro 中运行推理地理处理工具。

   使用使用深度学习检测对象、使用深度学习 对像素进行分类或使用深度学习对对象进行分类地理处理工具处理影像。如果经过训练的模型整合了自定义 Python 栅格函数及其他变量（如用于微调灵敏度的填充或置信度阈值），则这些变量将显示在地理处理工具的用户输入对话框中。数据类型（如字符串或数字）在 Python 栅格函数中指定。理想情况下，其他推断参数的个数限制应为两个。

   Esri 模型定义参数值可以是 Esri 模型定义 JSON 文件 (.emd) 或 JSON 字符串。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。

使用深度学习检测对象工具的输出是要素类，用于显示模型检测到的对象，而使用深度学习对像素进行分类工具的输出则是分类栅格。使用深度学习对对象进行分类工具需要要素类和图像作为输入数据集，将生成一个要素类，其中每个要素中的每个对象均以类名称标注。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删