Forum aux questions sur le Deep Learning

Trouvez des réponses aux questions courantes concernant le Deep Learning.

Quelle est la licence requise pour utiliser les outils de Deep Learning ?

Tous les outils de géotraitement de Deep Learning et la fenêtre Label Objects for Deep Learning (Étiqueter les objets pour le Deep Learning), utilisée pour le Deep Learning avec l’imagerie en 2D, nécessitent l’extension ArcGIS Image Analyst. Certains outils sont également disponibles avec l’ArcGIS Spatial Analyst extension.

Le jeu d’outils Classification (Deep Learning), utilisé pour classifier les données de nuages de points, nécessite ArcGIS 3D Analyst extension.

L’outil interactif Object Detection (Détection d’objets) utilisé pour l’imagerie d’une scène 3D nécessite une licence ArcGIS Pro Advanced ou l’extension ArcGIS Image Analyst.

Dois-je installer toutes les bibliothèques de Deep Learning pour exécuter les outils de Deep Learning ?

Oui, vous devez suivre les instructions fournies dans Installer des structures d’apprentissage profond pour ArcGIS.

J’ai installé d’autres versions des bibliothèques de Deep Learning. Fonctionneront-elles avec la version actuelle de ArcGIS AllSource ?

Non, chaque version de ArcGIS AllSource nécessite des versions spécifiques des bibliothèques de Deep Learning. Vous devez désinstaller les paquetages et les bibliothèques existants et installer les versions indiquées dans les instructions d’installation.

Quelles sont les exigences en matière de processeur graphique pour exécuter les outils de Deep Learning ?

La quantité de mémoire VRAM recommandée pour l’exécution, l’entraînement ou l’inférence les outils de Deep Learning dans ArcGIS AllSource est de 8 Go. Si seule l’inférence (détection ou classification à l’aide d’un modèle pré-entraîné) vous intéresse, la quantité minimale de mémoire VRAM est de 4 Go, mais 8 Go sont recommandés.

Mon processeur graphique est ancien et incompatible avec le logiciel, ou sa mémoire est insuffisante. Quelle est la configuration requise ?

Si vous ne disposez pas de la quantité de VRAM requise (4 à 8 Go), vous pouvez exécuter les outils, mais le temps de traitement sera plus long.

Comment contrôler la quantité de mémoire du processeur graphique utilisée ?

Utilisez l’utilitaire de ligne de commande nvidia-smi, qui est installé avec les pilotes Nvidia.

  1. Ouvrez une fenêtre d’invite de commande Windows.
  2. Entrez nvidia-smi.
  3. Appuyez sur la touche Entrée.
    Remarque :

    Si nvidia-smi est introuvable, vous devez indiquer le bon répertoire dans la fenêtre d’invite de commande avant d’exécuter la commande. Servez-vous de la barre de recherche Windows pour localiser nvidia-smi.

Dans la section Memory-Usage (Utilisation de la mémoire), vous pouvez voir si la mémoire du processeur graphique est utilisée. Surveillance du processeur graphique à l’aide de nvidia-smi

Pour surveiller l’utilisation continue du processeur graphique lors de l’exécution des outils, vous pouvez utiliser nvidia-smi -l 10. Cet outil permet de déterminer la taille de lot à utiliser lors de l’exécution des outils de Deep Learning. Si vous constatez qu’une partie de la mémoire n’est pas utilisée, vous pouvez augmenter la taille de lot pendant l’exécution. Si l’utilisation de la mémoire est maximale et que cela empêche l’outil de fonctionner, réduisez la taille de lot pour résoudre le problème.

Comment accélérer les outils d’inférence ?

Si vous n’utilisez pas déjà le processeur graphique, définissez l’option Processor Type (Type de processeur) sur GPU (Processeur graphique) dans les Environment settings (Paramètres d’environnement) de l’outil. Vous pouvez également essayer d’augmenter la taille de lot pour optimiser l’utilisation du processeur graphique. Si la taille de lot est excessive, il est possible que l’erreur CUDA_OUT_MEMORY s’affiche ; le cas échéant, vous devrez essayer diverses tailles de lot pour trouver celle qui convient à votre mode.

Pourquoi conda or jupyter notebook not recognized as internal or external command s’affiche-t-il lors de l’installation manuelle des bibliothèques ?

Il est possible que le message ci-dessus s’affiche si vous utilisez l’invite de commande Windows standard, au lieu de l’invite de commande Python ArcGIS AllSource. Vous pouvez accéder à l’invite de commande Python ArcGIS AllSource depuis le menu Démarrer, en recherchant Python Command Prompt (Invite de commande Python), ou dans l’emplacement d’installation de ArcGIS AllSource. L’invite de commande Python ArcGIS AllSource vous permet d’accéder aux outils et aux bibliothèques standard fournis avec conda ou jupyter.

Que faire en cas d’erreur de paquetage conda endommagé, ou d’erreur de vérification lors de l’installation manuelle des bibliothèques ?

Nettoyez le cache local à l’aide de conda clean –t.

Après l’entraînement, comment savoir si mon modèle a été performant ?

Le dossier de sortie du modèle entraîné contient un fichier nommé model_metrics.html. Ce fichier contient des informations sur le modèle entraîné, telles que le taux d’apprentissage, les pertes d’entraînement et de validation et le score de précision moyen.

Après l’exécution des outils d’inférence, comment savoir si mon modèle a été performant ?

Plusieurs méthodes sont disponibles pour vérifier les résultats de vos modèles de Deep Learning. Pour plus d’informations, reportez-vous à la rubrique Vérifier les résultats.

Quelles sont les versions des bibliothèques requises pour ArcGIS Pro 3.2 ?

Pour obtenir la liste à jour des bibliothèques requises, reportez-vous à Paquetages de Deep LearningBibliothèques de Deep Learning - PDF. Les versions de bibliothèques nécessaires aux versions précédentes de ArcGIS AllSource sont indiquées dans le guide d’installation manuelle (PDF) de chaque version.


Dans cette rubrique