Workflows

Dans Deep Learning Studio, vous gérez le traitement de Deep Learning à l'aide de l'un des deux processus, en fonction de la sortie souhaitée.

Processus suggérés

Chaque projet de Deep Learning pouvant comporter des entrées différentes et des membres d'équipe distincts, les processus de Deep Learning Studio sont flexibles et les étapes peuvent être personnalisées. Les deux processus Deep Learning Studio sont un processus complet et un processus personnalisé. Pour déterminer le processus approprié pour un projet de Deep Learning, posez-vous les questions suivantes :

• Quelle source de données d'imagerie sera utilisée ?
• Quelle structure d'échantillons d'entraînement sera utilisée ?
• Comment la collaboration sera-t-elle gérée ? Quels groupes existants dans ArcGIS Enterprise seront utilisés ou quels groupes seront créés ? (Cette question concerne les projets avec des membres de groupe supplémentaires.)
• Quel outil d'inférence de Deep Learning sera utilisé ? Quel outil créera la sortie souhaitée ? (Vous choisissez le type d'outil d'inférence lorsque vous créez un projet et vous ne pouvez pas changer d'outil.)

Processus complet

Si vous avez besoin d'une solution de bout en bout qui vous guide tout au long du traitement de Deep Learning qui consiste à créer des échantillons d'entraînement, entraîner le modèle et créer la sortie à l'aide de l'un des outils d'inférence, envisagez d'utiliser le processus complet.

L'image ci-après illustre le processus complet d'un projet de Deep Learning. Des données supplémentaires pourront peut-être être utilisées dans le traitement pour compléter la collection d'échantillons d'entraînement et l'entraînement du modèle.

• Create project (Créer un projet) : cette étape commence le traitement Deep Learning Studio en créant dans votre organisation un élément qui organise le développement et l'utilisation du modèle de Deep Learning. La création du projet est la première étape à effectuer lorsque vous commencez ; elle définit le type d'outil d'inférence à utiliser.
• Prepare training samples (Préparer les échantillons d'entraînement) : cette étape inclut la création des échantillons d'entraînement en sélectionnant et étiquetant les entités qui présentent un intérêt et les qualités des entités ou en étiquetant les pixels selon le type d'inférence de Deep Learning qui sera utilisé pour l'analyse. Cette étape comporte un grand nombre de sous-étapes. Lorsque vous la sélectionnez dans l'application, les sous-étapes ne sont pas toutes nécessaires, mais disposer d'un jeu d'échantillons d'entraînement approuvés permet d'entraîner le modèle de Deep Learning à l'étape suivante.
• Train model (Entraîner le modèle) : cette étape inclut la création du modèle de Deep Learning en l'entraînant avec des échantillons en fonction des paramètres définis dans l'étape. Des modèles existants peuvent être utilisés comme base des nouveaux modèles pour permettre la personnalisation d'entités spécifiques.
• Use Inferencing tool (Utiliser l'outil d'inférence) : cette étape utilise le modèle de Deep Learning pour détecter ou classer les images en fonction de l'outil d'inférence utilisé. Pour chaque outil d'inférence, des options et paramètres de modèle supplémentaires permettent de personnaliser la sortie.
• Review results (Vérifier les résultats) : une fois que l'exécution de l'outil d'inférence est terminée, le résultat est visible dans une carte à partir de l'application. Évaluez les résultats du traitement d'inférence et déterminez si la sortie générée est acceptable pour l'analyse.
• Share results (Partager les résultats) : cette étape partage les résultats, mais les étapes intermédiaires peuvent également être partagées. Une fois que le traitement de Deep Learning est terminé, la couche d’entités ou la couche d'imagerie affiche les entités souhaitées ou les pixels étiquetés. Les résultats peuvent être partagés via l'application ou comme élément dans votre organisation.

.

Processus personnalisé

Si certaines des étapes du processus ont été effectuées en dehors du projet Deep Learning Studio, vous pouvez utiliser le processus personnalisé pour effectuer l'analyse. En fonction des données et du traitement effectué, vous pouvez utiliser des outils différents dans le processus personnalisé pour chaque projet. Par exemple, si le projet de Deep Learning ne requiert pas l'entraînement d'un modèle, vous pouvez utiliser l'outil d'inférence de l'étape Use Inferencing tool (Utiliser l'outil d'inférence) du processus complet dans le processus personnalisé. S'il n'existe pas de modèle de Deep Learning, mais que les informations d'entraînement du modèle ont été collectées, vous pouvez utiliser l'étape Train model (Entraîner le modèle) du processus complet pour entraîner le modèle de Deep Learning à inférencer dans le processus personnalisé.

À l'aide du processus personnalisé, vous pouvez effectuer les étapes suivant l'ordre qui convient le mieux au projet. Les étapes peuvent être effectuées de manière itérative et vous pouvez les répéter si nécessaire.