Deep-Learning-Funktionen sind in ArcGIS AllSource für Bilddaten und Punktwolken über mehrere Werkzeuge und Funktionen verfügbar.
Modelltraining
Bevor Sie ein Deep-Learning-Modell zum Identifizieren von Features oder Objekten in einem Bild, einer Punktwolke oder einem anderen Dataset verwenden können, müssen Sie es trainieren, damit es diese Objekte erkennt. Zum Training eines Deep-Learning-Modells gehören viele der Schritte, die auch zum Training eines traditionellen Klassifizierungsmodells durch maschinelles Lernen gehören. Sie müssen Trainingsgebiete und Eingabedaten erfassen und bereitstellen und danach das Modell so trainieren, dass es das Erkennen dieser Features oder Objekte erlernt.
Vorbereiten der Trainingsdaten
Der Bereich Objekte für Deep Learning beschriften wird zum Sammeln und Generieren beschrifteter Bilddaten-Datasets zum Trainieren eines Deep-Learning-Modells für Bilddaten-Workflows verwendet. Sie können Objekte in einem Bild interaktiv identifizieren und beschriften und die Trainingsdaten als Bildschnipsel, Beschriftungen und Statistiken, die zum Trainieren eines Modells erforderlich sind, exportieren. Wenn bereits beschriftete Vektor- oder Raster-Daten vorhanden sind, können Sie das Werkzeug Trainingsdaten für Deep Learning exportieren verwenden, um die Trainingsdaten, die für den nächsten Schritt benötigt werden, zu generieren.
Das Werkzeug Punktwolken-Trainingsdaten vorbereiten erstellt Daten zum Trainieren und Validieren von Convolutional Neural Networks für die Punktwolkenklassifizierung. Dieses Werkzeug erstellt zahlreiche überlappende Blöcke aus dekomprimierten HDF5-Dateien, die zum Trainieren von Punktwolken verwendet werden. Weitere Informationen zum Vorbereiten und Trainieren von Punktwolkendaten finden Sie unter Trainieren eines Deep-Learning-Modells für die Punktwolkenklassifizierung.
Vorbereiten und Trainieren von Modellen
Das Werkzeug Deep-Learning-Modell trainieren trainiert ein Deep-Learning-Modell für Bilddaten-Workflows unter Verwendung von vorbereiteten Trainingsdaten. Zum Konfigurieren des Trainingsprozesses sind verschiedene Modelltypen und Argumente verfügbar.
Das Werkzeug Punktwolken-Klassifizierungsmodell trainieren trainiert ein Deep-Learning-Modell für die Punktwolkenklassifizierung. Weitere Informationen zum Vorbereiten und Trainieren von Punktwolkendaten finden Sie unter "Trainieren eines Deep-Learning-Modells für die Punktwolkenklassifizierung".
Modell-Inferenz
Modell-Inferenz bezeichnet den Prozess, bei dem mit einem trainierten Modell Informationen aus einem Bild oder einer Punktwolke extrahiert werden. Für die Modell-Inferenz in ArcGIS AllSource sind die folgenden Optionen verfügbar:
- Objekte erkennen: Generieren von umgebenden Rechtecken um Objekte oder Features in einem Bild, um deren Position zu identifizieren. Verwenden Sie das Werkzeug Objekte mit Deep Learning erkennen.
- Objekte klassifizieren: Generieren von Beschriftungen für Features in einem Bild, um deren Klasse oder Kategorie zu identifizieren. Verwenden Sie das Werkzeug Objekte mit Deep Learning klassifizieren.
- Pixel klassifizieren: Generieren eines klassifizierten Rasters, in dem jedes Pixel zu einer Klasse oder Kategorie gehört. Verwenden Sie das Werkzeug Pixel mit Deep Learning klassifizieren.
- Punktwolken klassifizieren: Generieren einer klassifizierten Punktwolke, in der Punkte in spezifische Klassifzierungscodes klassifiziert werden. Verwenden Sie das Werkzeug Punktwolke mithilfe des trainierten Modells klassifizieren. Weitere Informationen finden Sie unter Klassifizieren einer Punktwolke mit Deep Learning.
Explorative Analyse
Das Werkzeug Objekterkennung in der explorativen Analyse verwendet ein trainiertes Deep-Learning-Modell zum Erkennen von Objekten, die in der aktuellen Karte oder Szene dargestellt werden. Jedes identifizierte Feature wird durch ein Punkt-Feature mit einer Position im Koordinatensystem der Karte, durch detaillierte Attribute zu Ausrichtung und Ausdehnung des Objekts und durch den Konfidenzwert identifiziert. Das Werkzeug kann mit jedem trainierten "Faster R-CNN"-Modell sowie mit den Modellen YOYO, Single Shot Detector (SSD) und RetinaNet verwendet werden und ist für die bedarfsgesteuerte Erkennung von Objekten in der aktiven Ansicht vorgesehen.
Modellergebnisse
Sie können die Ergebnisse eines Deep-Learning-Modells in zwei Phasen überprüfen: nach dem Training des Modells und nach dem Ausführen eines Inferenzwerkzeugs.
Ergebnisse des Modelltrainings
Wenn Sie ein Deep-Learning-Modell für Bilddaten trainieren, enthält die Ausgabe des Werkzeugs Deep-Learning-Modell trainieren eine Datei namens model_metric.html. Diese Datei enthält Informationen über das trainierte Modell, darunter die Lernrate, den Trainings- und Validierungsverlust und den durchschnittlichen Precision-Score.
Wenn Sie ein Deep-Learning-Modell für Punktwolken trainieren, enthält die Ausgabe des Werkzeugs Punktwolken-Klassifizierungsmodell trainieren Ergebnisse im Abschnitt "Meldungen" im Ergebnisfenster des Werkzeugs. Der detaillierte Bericht umfasst den Trainingsverlust, den Validierungsverlust und die Genauigkeit für jede Epoche sowie Precision, Recall und f1_score (F-Maß) für das gespeicherte Deep-Learning-Modell. Das Werkzeug generiert ebenfalls eine CSV-Tabelle mit Precision, Recall und F1-Maß für jeden Klassencode pro Epoche. Weitere Informationen zum Überprüfen der Trainingsergebnisse finden Sie unter Auswerten von Ergebnissen beim Trainieren von Punktwolken.
Ergebnisse der Modell-Inferenz
Überprüfen Sie nach der Verwendung eines Deep-Learning-Modells die Ergebnisse, und bewerten Sie die Genauigkeit des Modells.
Verwenden Sie den Bereich Attribute zum Überprüfen der Ergebnisse aus der objektbasierten Inferenz (Werkzeug Objekte mit Deep Learning klassifizieren oder Werkzeug Objekte mit Deep Learning erkennen) oder aus der explorativen Analyse (interaktives Werkzeug Objekterkennung).
Sie können das Werkzeug Genauigkeit für die Objekterkennung berechnen verwenden, um nach Durchführung der Objekterkennung eine Tabelle und einen Bericht für die Genauigkeitsbewertung zu generieren.