Deep Learning dans ArcGIS AllSource

Les fonctions de Deep Learning sont disponibles dans ArcGIS AllSource pour l’imagerie et les nuages de points par le biais de différents outils et fonctionnalités.

Entraînement du modèle

Avant d’utiliser un modèle de Deep Learning pour identifier des entités ou des objets dans une image, un nuage de points ou un autre jeu de données, vous devez préalablement l’entraîner afin qu’il reconnaisse de tels objets. L’entraînement d’un modèle d’apprentissage profond implique un grand nombre des étapes réalisées durant l’entraînement d’un modèle de classification d’apprentissage profond classique. Vous devez collecter et fournir des échantillons d’entraînement et des données en entrée, puis entraîner le modèle de sorte qu’il apprenne à reconnaître ces entités ou objets.

Préparation des données d’entraînement

La fenêtre Label Objects for Deep Learning (Étiqueter les objets pour le Deep Learning) sert à collecter et générer des jeux de données d’imagerie étiquetés afin d’entraîner le modèle de Deep Learning pour les processus d’imagerie. Vous pouvez identifier et étiqueter de manière interactive les objets d’une image, puis exporter les données d’entraînement sous forme de fragments d’image, d’étiquettes et de statistiques nécessaires à l’entraînement d’un modèle. Si vous possédez des données vectorielles ou raster étiquetées, vous pouvez utiliser l’outil Export Training Data For Deep Learning (Exporter les données d’entraînement pour le Deep Learning) afin de générer les données d’entraînement nécessaires à l’étape suivante.

L’outil Préparer les données d’entraînement du nuage de points crée les données destinées à l’entraînement et à la validation d’un réseau neuronal convolutif pour la classification du nuage de points. Cet outil crée de nombreux verrous superposés de fichiers HDF5 non compressés qui sont utilisés pour l’entraînement d’un nuage de points. Pour plus d’informations sur la préparation et l’entraînement des données de nuage de points, reportez-vous à la rubrique Entraîner un modèle de Deep Learning pour classification de nuage de points.

Préparation et entraînement du modèle

L’outil Entraîner le modèle d’apprentissage profond entraîne un modèle d’apprentissage profond pour les processus d’imagerie à l’aide de données d’entraînement préparées. Différents types de modèle et d’arguments sont disponibles pour configurer le processus d’entraînement.

L’outil Entraîner le modèle de classification du nuage de points entraîne un modèle de Deep Learning pour la classification du nuage de points. Pour plus d’informations sur la préparation et l’entraînement des données de nuage de points, reportez-vous à la rubrique Entraîner un modèle de Deep Learning pour classification de nuage de points.

Inférence du modèle

L’inférence du modèle désigne l’opération d’extraction des informations d’une image ou d’un nuage de points au moyen d’un modèle entraîné. Les options de l’inférence du modèle dans ArcGIS AllSource sont les suivantes :

• Détecter des objets : générez des zones d’emprise autour des objets ou des entités dans une image pour identifier leur emplacement. Utilisez l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning.
• Classer des objets : générez des étiquettes pour les entités d’une image afin d’identifier leur classe ou leur catégorie. Utilisez l’outil Classer des objets à l’aide d’algorithmes de Deep Learning.
• Classer des pixels : générez un raster classifié dans lequel chaque pixel appartient à une classe ou une catégorie. Utilisez l’outil Classer des pixels à l’aide d’algorithmes de Deep Learning.
• Classify point clouds (Classer les nuages de points) : génère un nuage de points classé dans lequel les points sont classés selon des codes de classification spécifiques. Utilisez l’outil Classer le nuage de points à l’aide du modèle entraîné. Pour en savoir plus, reportez-vous à la rubrique Classer un nuage de points à l’aide d’algorithmes d’apprentissage profond.

Analyse exploratoire

L’outil d’analyse exploratoire Détection des objets utilise un modèle de Deep Learning entraîné pour reconnaître les objets affichés dans la carte ou la scène actuelle. Chaque entité identifiée est représentée par une entité ponctuelle associée à un emplacement dans le système de coordonnées de la carte, des attributs détaillant l’orientation et l’étendue de l’objet ainsi qu’une valeur de confiance. Cet outil peut fonctionner avec n’importe quel modèle Faster R-CNN entraîné, ainsi qu’avec les modèles YOLO, SingleShotDetector (SSD) et RetinaNet, et est conçu pour une détection à la demande des objets dans la vue active.

Résultats du modèle

Vous pouvez vérifier les résultats d’un modèle de Deep Learning à deux étapes : après l’entraînement du modèle et après l’exécution d’un outil d’inférence.

Résultats de l’entraînement du modèle

Lorsque vous entraînez un modèle d’apprentissage profond pour l’imagerie, la sortie de l’outil Entraîner le modèle d’apprentissage profond inclut un fichier nommé model_metric.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.

Lorsque vous entraînez un modèle de Deep Learning pour des nuages de points, la sortie de l’outil Entraîner le modèle de classification du nuage de points indique les résultats dans la section des messages de la fenêtre des résultats de l’outil. Le rapport détaillé spécifie la perte d’entraînement, la perte de validation et l’exactitude à chaque époque, ainsi que la précision, le rappel et le f1_score du modèle de Deep Learning enregistré. L’outil génère également une table CSV qui contient le score de précision, de rappel et F1 de chaque code de classe par époque. Pour plus d’informations sur l’examen des résultats d’entraînement, reportez-vous à la rubrique Évaluer les résultats de l’entraînement d’un nuage de points.

Résultats d’inférence du modèle

Après avoir utilisé un modèle de Deep Learning, passez en revue les résultats et évaluez la précision du modèle.

Utilisez la fenêtre Attributes (Attributs) pour examiner les résultats à partir de l’inférence basée sur l’objet (outil Classify Objects Using Deep Learning (Classer des objets à l’aide de Deep Learning) ou Detect Objects Using Deep Learning (Détecter des objets à l’aide Deep Learning)) ou à partir de l’analyse exploratoire (outil Objection Detection (Détection d’objets interactive)).

Vous pouvez utiliser l’outil Calculer la précision pour la détection d’objets afin de générer une table et un rapport d’évaluation de l’exactitude après avoir réalisé une détection d’objets.