Available with Image Server
En Deep Learning Studio, usted puede administrar el proceso de aprendizaje profundo con uno de los dos flujos de trabajo en función el resultado deseado.
Flujos de trabajo sugeridos
Dado que cada proyecto de aprendizaje profundo puede tener distintas entradas y miembros del equipo diferentes, los flujos de trabajo de Deep Learning Studio son flexibles y los pasos se pueden personalizar. Los dos flujos de trabajo de Deep Learning Studio son un flujo de trabajo completo y un flujo de trabajo personalizado. Para determinar qué flujo de trabajo es apropiado para un proyecto de aprendizaje profundo, pregúntese lo siguiente:
- ¿Qué fuente de datos de imágenes se va a utilizar?
- ¿Qué esquema de muestra de entrenamiento se va a utilizar?
- ¿Cómo se va a gestionar la colaboración? ¿Qué grupos existentes en ArcGIS Enterprise se van a utilizar, o se van a crear grupos? (Esta pregunta es para proyectos que tengan miembros de grupo adicionales).
- ¿Qué herramienta de inferencia de aprendizaje profundo se va a utilizar? ¿Cuál va a crear el resultado deseado? (Usted elige el tipo de herramienta de inferencia al crear un proyecto, mientras que la herramienta no se puede cambiar).
Flujo de trabajo completo
Si necesita una solución integral para que le guía a través del proceso de aprendizaje profundo para crear muestras de entrenamiento, entrenar el modelo y crear el resultado con una de las herramientas de inferencia, considere el flujo de trabajo completo.
La siguiente imagen muestra el flujo de trabajo completo para un proyecto de aprendizaje profundo. Puede haber datos adicionales que se pueden usar en el proceso para complementar la recopilación de muestras de entrenamiento y la entrenamiento del modelo.
- Crear proyecto: este paso inicia el proceso de Deep Learning Studio mediante la creación de un elemento en su organización que organiza el desarrollo y el uso del modelo de aprendizaje profundo. La creación del proyecto es el primer paso que debe completar al empezar y define el tipo de herramienta de inferencia que se va a utilizar.
- Preparar muestras de entrenamiento: este paso incluye la creación de muestras de entrenamiento mediante la selección y el etiquetado de entidades de interés, las cualidades de las entidades o el etiquetado de píxeles en función del tipo de inferencia de aprendizaje profundo que se va a utilizar para el análisis. Este paso incluye numerosos subpasos. Si lo selecciona en la aplicación, no todos los subpasos serán necesarios, pero disponer de un conjunto de muestras de entrenamiento aprobadas le permite entrenar el modelo de aprendizaje profundo en el paso siguiente.
- Entrenar modelo: este paso incluye la creación del modelo de aprendizaje profundo entrenándolo con muestras basadas en parámetros establecidos en el paso. Es posible utilizar modelos existentes como base para nuevos modelos, lo que permite personalizar entidades específicas.
- Utilizar la herramienta de inferencia: este paso utiliza el modelo de aprendizaje profundo para detectar o clasificar las imágenes en función de la herramienta de inferencia utilizada. Para cada herramienta de inferencia existen parámetros y opciones de modelo adicionales que puede utilizar para personalizar el resultado.
- Revisar resultados: cuando la herramienta de inferencia haya finalizado, el resultado será visible en un mapa de la aplicación. Evalúe los resultados del proceso de inferencia y determine si el resultado generado es aceptable para el análisis.
- Compartir resultados: este paso comparte los resultados, si bien también es posible compartir los pasos intermedios. Una vez finalizado el proceso de aprendizaje profundo, la capa de entidades o la capa de imágenes muestra las entidades deseadas o los píxeles etiquetados. Los resultados se pueden compartir a través de la aplicación o como elemento en su organización.
Flujo de trabajo personalizado
Si algunos de los pasos del flujo de trabajo se completaron fuera del proyecto de Deep Learning Studio, puede usar el flujo de trabajo personalizado para completar el análisis. En función de los datos y el procesamiento que se hayan completado, es posible usar diferentes herramientas en el flujo de trabajo personalizado para cada proyecto. Por ejemplo, si el proyecto de aprendizaje profundo no necesita entrenar un modelo, en el flujo de trabajo personalizado puede usar la herramienta de inferencia del paso Usar herramienta de inferencia desde el flujo de trabajo completo. Si no existe un modelo de aprendizaje profundo, pero se ha recopilado la información de entrenamiento para el modelo, en el flujo de trabajo personalizado puede utilizar el paso Entrenar modelo desde el flujo de trabajo completo para entrenar el modelo de aprendizaje profundo para la inferencia.
Con el flujo de trabajo personalizado puede realizar los pasos en el orden que mejor se adapte al proyecto. Los pasos se pueden realizar de forma iterativa y puede repetirlos si fuese necesario.