El conjunto de herramientas Aprendizaje profundo contiene herramientas que detectan entidades específicas en una imagen y clasifican los píxeles en un dataset ráster.
El aprendizaje profundo es un método de inteligencia artificial de aprendizaje automático que detecta entidades en imágenes con varias capas en redes neuronales en las que se puede extraer en cada capa una o varias entidades únicas de la imagen. Las herramientas del conjunto de herramientas Aprendizaje profundo utilizan el procesamiento de GPU para realizar el análisis en el momento oportuno.
Estas herramientas ArcGIS AllSource utilizan modelos entrenados para detectar entidades específicas en marcos de aprendizaje profundo de terceros, tales como TensorFlow, CNTK y PyTorch, y generan entidades o mapas de clases.
En la siguiente tabla se enumeran las herramientas de aprendizaje profundo y se proporciona una breve descripción de cada una:
| Herramienta | Descripción |
|---|---|
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada y una clase de entidad opcional para generar una clase de entidad o tabla en la que cada objeto o entidad de entrada tenga asignada una etiqueta de clase o categoría. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada para generar un ráster clasificado, donde cada píxel válido tiene una etiqueta de clase asignada. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Calcula la precisión de un modelo de aprendizaje profundo comparando los objetos detectados por la herramienta Detectar objetos con aprendizaje profundo con los datos de la realidad del terreno. | |
Ejecuta un modelo de aprendizaje profundo entrenado para detectar cambios entre dos rásteres. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Ejecuta un modelo de aprendizaje profundo entrenado en un ráster de entrada para generar una clase de entidad con los objetos que encuentre. Las entidades pueden ser cuadros o polígonos de delimitación alrededor de los objetos encontrados o puntos en el centro de los objetos. Esta herramienta requiere un archivo de definición de modelo que contenga información del modelo entrenado. El modelo puede entrenarse usando la herramienta Entrenar un modelo de aprendizaje profundo o mediante software de entrenamiento de terceros como, por ejemplo, TensorFlow, PyTorch o Keras. El archivo de definición de modelo puede ser un archivo JSON de definición de modelo de Esri (.emd) o un paquete de modelo de aprendizaje profundo, y debe contener la ruta a la función ráster de Python que se llamará para procesar cada objeto y la ruta al archivo de modelo de aprendizaje profundo binario entrenado. | |
Convierte datos de vectores o datos ráster etiquetados en datasets de entrenamiento de aprendizaje profundo utilizando imágenes de teledetección. La salida es una carpeta de chips de imagen y una carpeta de archivos de metadatos en el formato especificado. | |
Ejecuta uno o más modelos de aprendizaje profundo preentrenados en un ráster de entrada para extraer entidades y automatizar el procesamiento posterior de las salidas inferenciadas. | |
Identifica entidades duplicadas de la salida de la herramienta Detectar objetos con aprendizaje profundo como un paso posterior al procesamiento y genera una salida sin entidades duplicadas. La herramienta Detectar objetos con aprendizaje profundo puede devolver más de un cuadro o polígono de delimitación para el mismo objeto, que suele ser un efecto secundario del ordenamiento en teselas. Si en dos entidades se superpone más de un ratio máximo determinado, se eliminará la entidad con el valor de confianza más bajo. | |
Entrena un modelo de aprendizaje profundo utilizando la salida de la herramienta Exportar datos de entrenamiento para aprendizaje profundo. | |
Entrena un modelo de aprendizaje profundo creando tuberías de entrenamiento y automatizando gran parte del proceso de entrenamiento. Esto incluye el aumento de datos, la selección de modelos, el ajuste de hiperparámetros y la deducción del tamaño del lote. Sus salidas incluyen métricas de rendimiento del mejor modelo en los datos de entrenamiento, así como el paquete de modelo de aprendizaje profundo entrenado (archivo .dlpk) que se puede utilizar como entrada para la herramienta Extraer entidades mediante modelos de IA para predecir nuevas imágenes. |