Das Modell optimieren

Sie können das Modell "Pool Detection – USA" an Ihren geographischen Bereich, Ihre Bilddaten oder die relevanten Features anpassen. Für die Optimierung eines Modells sind weniger Trainingsdaten, Rechenressourcen und Zeit erforderlich als für das Training eines neuen Modells.

Eine Optimierung des Modells wird empfohlen, wenn Sie mit den in ArcGIS vortrainierten Deep-Learning-Modellen keine zufriedenstellenden Ergebnisse erzielen. Dies kann der Fall sein, wenn Ihr Interessenbereich außerhalb der für die Modelle geeigneten Geographien liegt oder wenn sich die Eigenschaften Ihrer Bilddaten wie Auflösung, Maßstab und saisonale Schwankungen unterscheiden.

Sie können das Werkzeug Trainingsdaten für Deep Learning exportieren verwenden, um Trainingsdaten vorzubereiten. Danach können Sie dieses Modell mithilfe des Werkzeugs Deep-Learning-Modell trainieren in ArcGIS Pro für Ihre Daten optimieren. Führen Sie die folgenden Schritte aus, um das Modell zu optimieren.

Trainingsdaten vorbereiten

Dieses Modell wird mit Dreiband-RGB-Bilddaten und Beschriftungen zur Pool-Erkennung trainiert. Verwenden Sie das Werkzeug "Trainingsdaten für Deep Learning exportieren", um Trainingsdaten für die Optimierung des Modells vorzubereiten.

1. Navigieren Sie zu Werkzeuge auf der Registerkarte Analyse.

   

2. Klicken Sie im Bereich Geoverarbeitung auf die Registerkarte Toolboxes, wählen Sie Image Analyst Tools aus, und navigieren Sie im Toolset Deep Learning zum Werkzeug Trainingsdaten für Deep Learning exportieren.

   

3. Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
   1. Eingabe-Raster: Wählen Sie die Dreiband-RGB-Bilddaten aus.
   2. Ausgabeordner: Ein beliebiges Verzeichnis Ihrer Wahl auf Ihrem Computer.
   3. Eingabe-Feature-Class, klassifiziertes Eingabe-Raster oder Eingabetabelle: Wählen Sie die Feature-Class aus, die Trainingsbeschriftungen für die Pool-Erkennung enthält.
   4. Klassenwertefeld: Fügen Sie das Feld ClassValue hinzu, das den Klassenwert ("1") in der obigen Feature-Class referenziert.
   5. Bildformat: TIFF-Format
   6. Kachelgröße X: 224
   7. Kachelgröße Y: 224
   8. Stride X: 0
   9. Stride Y: 0
   10. Metadatenformat: PASCAL Visual Object Classes

       

4. Legen Sie die Variablen auf der Registerkarte Umgebungen fest.
   1. Verarbeitungsausdehnung: Wählen Sie nach Bedarf Aktuelle Anzeigeausdehnung oder eine andere Option aus dem Dropdown-Menü aus.
   2. Zellengröße: Legen Sie den Wert auf die gewünschte Zellengröße fest.

      

5. Klicken Sie auf Ausführen. Nach der Verarbeitung werden die exportierten Trainingsdaten im angegebenen Verzeichnis gespeichert.

Optimierung des Modells "Pool Detection – USA"

Führen Sie die folgenden Schritte aus, um das Modell zu optimieren:

1. Navigieren Sie zu Werkzeuge auf der Registerkarte Analyse.

   

2. Klicken Sie im Bereich Geoverarbeitung auf die Registerkarte Toolboxes, und blenden Sie Image Analyst Tools ein. Wählen Sie unter Deep Learning das Werkzeug Deep-Learning-Modell trainieren aus.

   

3. Legen Sie die Variablen auf der Registerkarte Parameter wie folgt fest:
   1. Eingabe-Trainingsdaten: Der Pfad zu den exportierten Trainingsdaten aus dem vorherigen Schritt.
   2. Ausgabeordner: Ein beliebiges Verzeichnis Ihrer Wahl auf Ihrem Computer.
   3. Max. Epochen (optional): 100 (je nach der Anzahl der Iterationen, für die Sie das Modell optimieren möchten. Eine Epoche entspricht der Anzahl der Iterationen, die das Werkzeug für die Daten ausführt.)
   4. Vortrainiertes Modell: Geben Sie die Datei von "Pool Detection – USA" (.dlpk) ein, die Sie aus dem ArcGIS Living Atlas of the World heruntergeladen haben.
   5. Batch-Größe: 64 (Erhöhen oder verringern Sie diese Zahl entsprechend der Kapazität Ihrer GPU. Es wird empfohlen, eine Batch-Größe auszuwählen, die dem Quadrat für optimale Performance entspricht.)
   6. Beenden, wenn sich das Modell nicht mehr verbessert: Aktiviert
   7. Modell fixieren: Aktiviert

      

4. Legen Sie die Variablen auf der Registerkarte Umgebungen fest.
   1. Prozessortyp: Wählen Sie nach Bedarf CPU oder GPU aus. Wenn eine GPU verfügbar ist, wird empfohlen, die Option GPU auszuwählen und GPU-ID auf die zu verwendende GPU festzulegen.

      

5. Klicken Sie auf Ausführen. Jetzt können Sie dieses Modell verwenden, um für Ihre Bilddaten eine Inferenzierung auszuführen.