Classer des objets à l’aide d’algorithmes de Deep Learning

Classer des objets à l’aide d’algorithmes de Deep Learning L’outil Classer des objets à l’aide d’algorithmes de Deep Learning exécute un modèle de Deep Learning entraîné sur un raster en entrée et une classe d’entités facultative afin de générer une table ou une classe d’entités dans laquelle une étiquette de classe ou de catégorie est attribuée à chaque objet ou entité en entrée.

Remarque :

This functionality is currently only supported in Map Viewer Classic. It will be available in a future release of Map Viewer.

If you do not see this tool in Map Viewer Classic, contact your organization administrator. You may not have image analysis privileges, available with the ArcGIS Image for ArcGIS Online license.

Diagramme de workflow

Classer des objets à l’aide d’algorithmes de Deep Learning - Processus

Exemples

  • Avec une image et une classe d’entités identifiant l’emplacement de maisons, classez chaque maison comme endommagée ou non endommagée à l’aide d’un modèle de Deep Learning entraîné.
  • Avec un ensemble d’images dans lequel chaque image décrit un seul arbre, classez chaque arbre comme sain ou malade à l’aide d’un modèle de Deep Learning entraîné.

Remarques sur l'utilisation

Le modèle de Deep Learning en entrée pour cet outil doit être un élément de paquetage de Deep Learning (.dlpk) conservé sur votre portail. Vous pouvez générer un élément .dlpk à l’aide de l’outil de géotraitement Entraîner le modèle de Deep Learning dans ArcGIS Pro ou l’outil d’analyse raster de ArcGIS REST API.

L’élément .dlpk en entrée doit inclure un fichier de définition de modèle Esri (.emd). Reportez-vous au fichier exemple .emd ci-dessous.

{
    "Framework": "Keras",
    "ModelConfiguration":"KerasClassifier",
    "ModelFile":"C:\\DeepLearning\\Damage_Classification_Model_V7.h5",
    "ModelType":"ObjectClassification",
    "ImageHeight":256,
    "ImageWidth":256,
    "ExtractBands":[0,1,2],
    "CropSizeFixed": 1,
    "BlackenAroundFeature": 1,
    "ImageSpaceUsed": "MAP_SPACE", 
    "Classes": [
    {
       "Value": 0,
       "Name": "Damaged",
       "Color": [255, 0, 0]
    },
    {
       "Value": 1,
       "Name": "Undamaged",
       "Color": [76, 230, 0]
    }
    ]
}

If Use current map extent is checked, only the pixels that are visible in the current map extent will be analyzed. If unchecked, the entire input imagery layer will be analyzed.

The parameters for this tool are listed in the following table:

ParamètreExplication
Choisir l’image utilisée pour classer des objets

Image en entrée utilisée pour classer les objets.

Choose feature layer for objects (optional) (Choisir la couche d’entités pour les objets (facultatif))

La couche d’entités ponctuelle, linéaire ou surfacique en entrée qui identifie la localisation de chaque objet à classer et étiqueter. Chaque ligne dans la couche d’entités en entrée représente un seul objet.

Si aucune couche d’entités en entrée n’est spécifiée, on suppose que chaque image en entrée contient un seul objet à classer. Si l’image ou les images en entrée utilisent une référence spatiale, la sortie de l’outil est une couche d’entités dans laquelle l’étendue de chaque image sert d’emprise géométrique pour chaque entité étiquetée. Si l’image ou les images en entrée ne sont pas référencées spatialement, la sortie de l’outil est une table contenant les valeurs d’ID des images et les étiquettes de classe de chaque image.

Choisir le modèle d’apprentissage profond utilisé pour classer des objets

L’entrée est l’URL d’un élément de paquetage de Deep Learning (.dlpk).

Le paquetage de Deep Learning contient le fichier JSON de définition du modèle Esri (.emd), le fichier de modèle binaire de Deep Learning et, éventuellement, la fonction raster Python à utiliser.

Spécifier les arguments du modèle d’apprentissage profond

Les arguments de la fonction sont définis dans la fonction raster Python référencée par le modèle en entrée. C’est là que vous répertoriez les paramètres de Deep Learning supplémentaires et les arguments permettant d’affiner l’apprentissage, tels qu’un seuil de confiance visant à ajuster la sensibilité.

Les noms des arguments sont alimentés par l’outil lors de la lecture du module Python.

Define class label field name (optional) (Définir le nom de champ de la classe d’étiquettes (facultatif))

Le nom du champ qui contiendra l’étiquette de classification dans la couche d’entités en sortie.

Si aucun nom de champ n’est spécifié, un nouveau champ nommé ClassLabel est généré dans la classe d’entités en sortie.

Processing mode (Mode de traitement)

Indique la façon dont tous les éléments raster sont traités dans un service d’imagerie.

  • Process as mosaicked image (Traiter comme image mosaïquée) : tous les éléments raster dans le service d’imagerie sont mosaïqués ensemble et traités. Il s’agit de l’option par défaut.
  • Process all raster items separately (Traiter tous les éléments raster séparément) : tous les éléments raster dans le service d’imagerie sont traités en tant qu’images séparées.
.

Nom de la couche de résultat

The name of the layer that will be created in My Content and added to the map. The default name is based on the tool name and the input layer name. If the layer already exists, you will be prompted to provide another name.

You can specify the name of a folder in My Content where the result will be saved using the Save result in drop-down box.

Conseil :

Click Show Credits before you run your analysis to check how many credits will be consumed.

Environnements

Analysis environment settings are additional parameters that affect a tool's results. You can access the tool's analysis environment settings by clicking the gear icon Analysis Environments at the top of the tool pane.

This tool honors the following Analysis Environments:

  • Extent—Specifies the area to be used for analysis.
  • Cell size—The cell size to use in the output layer.
  • Recycle interval of processing workers—Defines how many image sections to process before restarting worker processes.
  • Parallel processing factor—Controls the raster processing CPU or GPU instances.
  • Number of retries on failures—Defines how many retries a worker process will attempt when there is random failure processing a job.

Fonctions raster et outils similaires

Utilisez l’outil Classer des objets à l’aide d’algorithmes de Deep Learning pour classer des objets dans une image. D’autres outils peuvent vous aider à résoudre des problèmes similaires.

Fonctions raster et outils d’analyse Map Viewer Classic

Utilisez l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning pour détecter la localisation d’objets dans une image. Utilisez l’outil Classer des pixels à l’aide d’algorithmes de Deep Learning pour classer chaque pixel dans une image.

Fonctions raster et outils d’analyse ArcGIS Pro

L’outil de géotraitement Classer des objets à l’aide d’algorithmes de Deep Learning est disponible dans la boîte d’outils Image Analyst. D’autres outils du jeu d’outils Deep Learning permettent d’effectuer des processus de Deep Learning.

Ressources de développeur ArcGIS Enterprise

Si vous travaillez dans ArcGIS REST API, utilisez l’opération Classify Objects Using Deep Learning.

Si vous travaillez dans ArcGIS API for Python, procédez aux tâches de Deep Learning Site Web ArcGIS API for Python depuis le module arcgis.learn.