Verfügbar mit Image Server
In Deep Learning Studio wird der Deep-Learning-Prozess je nach gewünschter Ausgabe mit einem von zwei Workflows durchgeführt.
Empfohlene Workflows
Da die Eingaben und Mitglieder in jedem Deep-Learning-Projekt anders sein können, sind die Workflows in Deep Learning Studio flexibel und die Schritte können angepasst werden. Bei den beiden Deep Learning Studio-Workflows handelt es sich um einen vollständigen Workflow und um einen benutzerdefinierten Workflow. Anhand der folgenden Fragen können Sie bestimmen, welcher Workflow für ein Deep-Learning-Projekt am besten geeignet ist:
- Welche Bilddatenquelle soll verwendet werden?
- Welches Trainingsgebietsschema soll verwendet werden?
- Wie soll die Zusammenarbeit organisiert werden? Welche vorhandenen Gruppen in ArcGIS Enterprise sollen verwendet werden? Oder werden Gruppen erstellt? (Diese Frage bezieht sich auf Projekte mit zusätzlichen Gruppenmitgliedern.)
- Welches Deep-Learning-Inferenzwerkzeug soll verwendet werden? Mit welchem wird die gewünschte Ausgabe erstellt? (Der Inferenzwerkzeugtyp wird beim Erstellen eines Projekts ausgewählt und kann danach nicht mehr geändert werden.)
Vollständiger Workflow
Wenn Sie eine durchgängige Lösung mit Unterstützung beim gesamten Deep-Learning-Prozess – vom Erstellen von Trainingsgebieten über das Training von Modellen bis zum Erstellen von Ausgaben mit einem der Inferenzwerkzeuge – suchen, sollten Sie den vollständigen Workflow verwenden.
In der folgenden Abbildung ist der vollständige Workflow für ein Deep-Learning-Projekt dargestellt. Es können weitere Daten vorhanden sein, die in dem Prozess verwendet werden können, um die Erfassung des Trainingsgebiets und das Modelltraining zu ergänzen.
- Projekt erstellen: Mit diesem Schritt beginnt der Deep Learning Studio-Prozess, indem in einer Organisation ein Element zum Koordinieren der Entwicklung und Verwendung eines Deep-Learning-Modells erstellt wird. Die Erstellung des Projekts ist der erste Schritt, den Sie zu Beginn ausführen. Dabei legen Sie fest, welcher Inferenzwerkzeugtyp verwendet werden soll.
- Trainingsgebiete vorbereiten: Bei diesem Schritt werden Trainingsgebiete erstellt, indem relevante Features ausgewählt und beschriftet, Merkmale von Features festgelegt oder Pixel je nach Deep-Learning-Inferenzierung beschriftet werden. Dieser Schritt enthält zahlreiche Teilschritte. Wenn Sie ihn in der App auswählen, müssen nicht alle Teilschritte durchgeführt werden. Wenn Sie jedoch mehrere genehmigte Trainingsgebiete verwenden, können Sie das Deep-Learning-Modell im nächsten Schritt trainieren.
- Modell trainieren: Bei diesem Schritt wird das Deep-Learning-Modell erstellt, indem es mit Stichproben trainiert wird, die auf den in diesem Schritt festgelegten Parametern basieren. Als Grundlage für neue Modelle können vorhandene Modelle verwendet werden, bei denen bestimmte Features entsprechend angepasst werden.
- Inferenzwerkzeug verwenden: Bei diesem Schritt wird das Deep-Learning-Modell verwendet, um Bilddaten entsprechend dem verwendeten Inferenzwerkzeug zu erkennen oder zu klassifizieren. Für jedes Inferenzwerkzeug gibt es zusätzliche Modellparameter und Optionen, die Sie zum Anpassen der Ausgabe verwenden können.
- Ergebnisse einsehen: Nach dem Ausführen des Inferenzwerkzeugs wird das Ergebnis über die App auf einer Karte angezeigt. Werten Sie die Ergebnisse der Inferenzierung aus, und entscheiden Sie, ob die generierte Ausgabe für die Analyse akzeptabel ist.
- Ergebnisse freigeben: Bei diesem Schritt werden Ergebnisse freigegeben. Es können jedoch auch Zwischenschritte freigegeben werden. Nach Abschluss des Deep-Learning-Prozesses werden auf dem Feature-Layer oder auf dem Bilddaten-Layer die gewünschten Features oder beschrifteten Pixel angezeigt. Die Ergebnisse können über die App oder ein Element in einer Organisation freigegeben werden.
Benutzerdefinierter Workflow
Wenn Sie einige Schritte im Workflow außerhalb des Deep Learning Studio-Projekts durchgeführt haben, können Sie die Analyse mit dem benutzerdefinierten Workflow durchführen. Je nach Daten und Verarbeitung werden im benutzerdefinierten Workflow bei jedem Projekt andere Werkzeuge verwendet. Wenn bei einem Deep-Learning-Projekt beispielsweise kein Modell trainiert werden muss, können Sie das Inferenzwerkzeug aus dem Schritt "Inferenzwerkzeug verwenden" des vollständigen Workflows im benutzerdefinierten Workflow verwenden. Wenn ein Deep-Learning-Modell nicht vorhanden ist, Sie jedoch die Trainingsdaten für das Modell erfasst haben, können Sie den Schritt "Modell trainieren" des vollständigen Workflows im benutzerdefinierten Workflow verwenden, um das Deep-Learning-Modell für die Inferenzierung zu trainieren.
Beim benutzerdefinierten Workflow können die Schritte in der für das Projekt am besten geeigneten Reihenfolge durchgeführt werden. Die Schritte können iterativ ausgeführt und ggf. wiederholt werden.