Häufig gestellte Fragen zu Deep Learning

Hier finden Sie Antworten auf häufig gestellte Fragen zu Deep Learning.

Welche Lizenz benötige ich für die Deep-Learning-Werkzeuge?

Die Erweiterung ArcGIS Image Analyst ist für alle Image Analyst Deep-Learning-Geoverarbeitungswerkzeuge erforderlich sowie für den Bereich Objekte für Deep Learning beschriften, der für Deep Learning mit Bilddaten in 2D verwendet wird. Einige Werkzeuge sind auch in der Erweiterung "ArcGIS Spatial Analyst" verfügbar.

Sowohl das Toolset "Klassifizierung (Deep Learning)" als auch das Toolset "Objekterkennung (Deep Learning)" erfordern die ArcGIS 3D Analyst extension.

Das interaktive Werkzeug Objekterkennung für Bilddaten in 3D-Szenen erfordert entweder eine ArcGIS Pro Advanced-Lizenz oder die Erweiterung ArcGIS Image Analyst.

Muss ich alle Deep-Learning-Bibliotheken installieren, um die Deep-Learning-Werkzeuge ausführen zu können?

Ja, folgen Sie dazu den Anweisungen unter Installieren von Deep-Learning-Frameworks für ArcGIS.

Ich habe andere Versionen von Deep-Learning-Bibliotheken installiert. Funktionieren diese mit der aktuellen Version von ArcGIS AllSource?

Nein. Alle Versionen von ArcGIS AllSource erfordern eine bestimmte Version der Deep-Learning-Bibliotheken. Sie müssen vorhandene Pakete und Bibliotheken deinstallieren und die in den Installationsanweisungen aufgeführten Versionen installieren.

Welche GPU-Anforderungen sind für die Ausführung von Deep-Learning-Werkzeugen zu erfüllen?

Der empfohlene VRAM für die Ausführung von Deep-Learning-Werkzeugen zum Trainieren und Inferenzieren in ArcGIS AllSource beträgt 8 GB. Wenn Sie sie nur zur Inferenzierung (d. h. zur Erkennung oder Klassifizierung mit einem vortrainierten Modell) verwenden, sind mindestens 4 GB VRAM erforderlich, empfohlen werden jedoch 8 GB.

Können Geoverarbeitungswerkzeuge mehrere GPUs auf einem einzelnen Computer verwenden?

Ja. Geoverarbeitungswerkzeuge, die die GPU-ID-Umgebung berücksichtigen, können eine bestimmte GPU oder auch mehrere GPUs verwenden. Damit alle verfügbaren GPUs verwendet werden, lassen Sie das Textfeld GPU-ID leer.

Welche Werkzeuge unterstützen mehrere GPUs?

Es gibt mehrere Geoverarbeitungswerkzeuge, die mehrere GPUs auf einem einzelnen Computer verwenden können:

  • Die ArcGIS Image Analyst-Inferenzwerkzeuge, wie zum Beispiel: Objekte mit Deep Learning klassifizieren, Pixel mit Deep Learning klassifizieren, Veränderungen mit Deep Learning erkennen und Objekte mit Deep Learning erkennen.
  • Das Werkzeug Deep-Learning-Modell trainieren, wenn der Parameter Modelltyp auf eine der folgenden Optionen festgelegt ist: ConnectNet, Feature Classifier, MaskRCNN, Multi Task Road Extractor, Single Shot Detector oder U-Net.
  • Und die arcgis.learn-Modelle für das Trainieren von Deep-Learning-Modellen.

Ich habe eine ältere GPU, die nicht mit der Software kompatibel ist, bzw. ich habe wenig GPU-Speicher zur Verfügung. Welche Anforderungen müssen erfüllt werden?

Wenn Ihnen die erforderlichen 4- bis 8-GB-VRAM nicht zur Verfügung stehen, können Sie die meisten dieser Werkzeuge auf der CPU ausführen, wodurch sich allerdings die Verarbeitungszeit verlängert.

Das Werkzeug Objekte mithilfe des trainierten Modells in Punktwolke erkennen und das Werkzeug Punktwolken-Objekterkennungsmodell trainieren unterstützen die CPU-Verarbeitung nicht. Sie können nur auf der GPU ausgeführt werden. Diese Werkzeuge geben eine Fehlermeldung zurück, wenn die CPU als Prozessortyp angegeben ist.

Wie können Sie überwachen, wie viel GPU-Speicher verbraucht wird?

Verwenden Sie das Befehlszeilenprogramm nvidia-smi, das mit NVIDIA-Treibern installiert wird.

  1. Öffnen Sie ein Windows-Eingabeaufforderungsfenster.
  2. Geben Sie nvidia-smi ein.
  3. Drücken Sie die Eingabetaste.
    Hinweis:

    Wenn nvidia-smi nicht gefunden wird, müssen Sie im Eingabeaufforderungsfenster zum richtigen Verzeichnis wechseln, bevor Sie den Befehl ausführen. Verwenden Sie die Windows-Suchleiste, um nvidia-smi zu finden.

Unter GPU-Speichernutzung können Sie feststellen, ob der GPU-Speicher in Anspruch genommen wird.

Überwachen der GPU mit Nvidia-SM

Um die kontinuierliche Nutzung Ihrer GPU während der Ausführung der Werkzeuge zu überwachen, können Sie nvidia-smi -l 10 ausführen. Dies ermöglicht Ihnen, die für die Ausführung der Deep-Learning-Werkzeuge erforderliche Batch-Größe zu bestimmen. Wenn Sie bemerken, dass nicht genutzter Speicher vorhanden ist, können Sie die Batch-Größe erhöhen. Wenn Sie bemerken, dass die Speichernutzung maximal ausgeschöpft ist und das Werkzeug nicht ausgeführt werden kann, sollten Sie die Batch-Größe verringern.

Warum funktioniert meine CUDA-GPU mit meinen ArcGIS-Deep-Learning-Werkzeugen nicht?

Hierfür gibt es verschiedene mögliche Ursachen:

  • Ein GPU-Treiber, der nicht auf dem aktuellen Stand ist, führt dazu, dass Deep-Learning-Werkzeuge mit einem Runtime-Fehler fehlschlagen. Gemeldet wird, dass CUDA nicht installiert ist oder dass eine nicht unterstützte Werkzeugverkettung vorhanden ist. Vergewissern Sie sich, dass Ihre GPU-Treiber von NVIDIA aktuell sind.
  • Bestimmte GPUs erfordern ein NVIDIA CUDA-Toolkit, das durch ArcGIS nicht unterstützt wird. Die Version des CUDA-Toolkits für die einzelnen Versionen von ArcGIS finden Sie im Abschnitt Manifest of included packages der GitHub-Seite Deep Learning Libraries Installers for ArcGIS .

Wie kann ich die Ausführung der Inferenzwerkzeuge beschleunigen?

Wenn die GPU noch nicht verwendet wird, legen Sie den Prozessortyp in den Umgebungseinstellungen des Werkzeugs auf GPU fest. Sie können auch die Batch-Größe erhöhen, um die GPU-Auslastung zu optimieren. Wenn die Batch-Größe zu hoch ist, wird möglicherweise der Fehler CUDA_OUT_MEMORY angezeigt. Experimentieren Sie in einem solchen Fall mit der Batch-Größe, um die richtige Größe für den verwendeten Modus zu finden.

Warum wird bei mir conda or jupyter notebook not recognized as internal or external command angezeigt, wenn ich versuche, die Bibliotheken manuell zu installieren?

Diese Fehler werden möglicherweise angezeigt, wenn Sie die Windows-Standard-Eingabeaufforderung anstelle der ArcGIS AllSource Python-Eingabeaufforderung verwenden. Sie können die ArcGIS AllSource Python-Eingabeaufforderung über das Startmenü aufrufen, indem Sie nach Python Command Prompt suchen. Sie können sie aber auch im Installationsverzeichnis von ArcGIS AllSource finden. Mit der ArcGIS AllSource Python-Eingabeaufforderung können Sie auf die Standardwerkzeuge und -bibliotheken zugreifen, die in Conda oder Jupyter bereitgestellt werden.

Wie gehe ich vor, wenn bei der manuellen Installation von Bibliotheken ein fehlerhaftes Conda-Paket gemeldet oder ein Validierungsfehler angezeigt wird?

Bereinigen Sie den lokalen Cache mit dem Befehl conda clean –t.

Woher weiß ich nach dem Trainieren, wie gut mein Modell funktioniert hat?

Der Ausgabeordner für das trainierte Modell enthält die Datei model_metrics.html. Diese Datei enthält Informationen über das trainierte Modell, darunter die Lernrate, den Trainings- und Validierungsverlust und den durchschnittlichen Precision-Score.

Woher weiß ich nach dem Ausführen der Inferenzwerkzeuge, wie gut mein Modell funktioniert hat?

Es gibt verschiedene Methoden, die Ergebnisse Ihrer Deep-Learning-Modelle zu überprüfen. Weitere Informationen finden Sie unter Überprüfen der Ergebnisse .

Welche Bibliotheksversionen sind für ArcGIS Pro 3.3 erforderlich?

Die aktuelle Liste der erforderlichen Bibliotheken finden Sie auf der GitHub-Seite Deep Learning Libraries Installers for ArcGIS. Die erforderlichen Bibliotheksversionen für frühere Versionen von ArcGIS AllSource sind in den für die jeweilige Version geltenden Anweisungen zur manuellen Installation (PDF) aufgeführt.


In diesem Thema