Gestion de la charge de travail dans Deep Learning Studio

Available with Image Server

La charge de travail de Deep Learning Studio est définie par le projet, les rôles et les unités de travail. Lorsque vous démarrez Deep Learning Studio, la première étape consiste à créer un projet pour le traitement de Deep Learning. Toutefois, vous devez prendre en compte les rôles définis dans le groupe avant de créer le projet Deep Learning Studio. Dans chaque projet, le travail est divisé en unités, qui seront réalisées par les membres du groupe en fonction de leur rôle.

Projet

Un projet Deep Learning Studio est créé dans ArcGIS Enterprise en tant qu'élément pouvant être partagé avec d'autres personnes dans votre organisation. Le projet agrège les traitements et le travail pour réaliser l'analyse de Deep Learning. Trois tâches sont disponibles pour lancer le traitement de Deep Learning :

• Préparer les données d’entraînement
• Entraîner le modèle
• Exécuter l'inférence

Si la tâche Prepare training data (Préparer les données d’entraînement) est sélectionnée, le projet doit être configuré pour la tâche. Les options de configuration incluent la définition de la source de données, du schéma des échantillons d'entraînement, de l'affectation des groupes et des unités de travail.

Rôles

Un rôle Deep Learning Studio spécifié est associé à vos privilèges dans ArcGIS Enterprise. Les rôles ne sont pas spécifiés lors de la création du projet. Un propriétaire de projet possède les mêmes fonctionnalités qu'un analyste en raison de leurs privilèges similaires dans l'organisation. Toutefois, la fonctionnalité Mark as complete (Marquer comme terminé) n'est octroyée qu'au créateur du projet (propriétaire du projet). Le rôle de collecteur d'échantillons est disponible pour tous les utilisateurs disposant de privilèges de mise à jour dans l'organisation.

Rôle	Configurer le projet pour la préparation des données d’entraînement	Collecter les échantillons d’entraînement	Examiner les échantillons d’entraînement	Exporter des échantillons d’entraînement	Entraîner le modèle	Outil Run inferencing (Exécuter l'inférence)	Supprimer le projet
Propriétaire de projet	x	x	x	x	x	x	x
Analyste		x	x	x	x	x
Collecteur d'échantillons		x

• Propriétaire du projet : un propriétaire de projet supervise l'ensemble du traitement de Deep Learning et configure le projet avec les données, affecte les groupes et définit les sources de données. Il peut participer à tous les traitements dans un projet Deep Learning Studio.
• Analyste : un analyste dans un projet Deep Learning Studio peut participer à tout le travail dans le projet et notamment à la collecte d'échantillons, l'entraînement d'un modèle, l'utilisation d'outils d'inférence et la génération de la sortie. Il combine ses connaissances du SIG et du Deep Learning pour générer la sortie de l'analyse de Deep Learning.
• Collecteur d'échantillons : le rôle de collecteur d'échantillons est destiné aux membres d'un groupe qui ne participeront qu'à la collecte des échantillons d'entraînement.

Selon le projet, les rôles ne sont pas tous nécessaires et ils ne sont pas requis. Ils sont recommandés pour les projets de grande taille auxquels participent un grand nombre d'utilisateurs. Les membres des groupes Deep Learning Studio sont gérés de la même manière que les groupes dans ArcGIS Enterprise. Pour plus d'informations sur les groupes ArcGIS Enterprise, reportez-vous à la rubrique Créer des groupes.

Unités de travail

Lorsqu'un propriétaire de projet définit la source de données d'un projet Deep Learning Studio, l'étendue spatiale de la source de données en entrée est considérée comme étant la surface totale à compléter pour le projet par défaut. Lors de la configuration du projet, un propriétaire de projet peut diviser les unités de travail en unités plus petites pour définir les surfaces à entraîner ou diviser la collecte d'échantillons en surfaces plus petites à compléter par une équipe de collecteurs d'échantillons. Ces unités de travail définies sont utilisées pour examiner les collectes d'échantillons et doivent être marquées comme terminées pour pouvoir être utilisées dans l'entraînement du modèle.

Les étendues spatiales personnalisées peuvent être affinées via une couche d'entités surfaciques lors de la configuration du projet.

Une couche d'imagerie est divisée en unités de travail individuelles plus petites.

Lors de la collecte des échantillons d'entraînement, le statut des unités de travail peut prendre trois valeurs. Le statut d'une unité de travail peut être :

• Queued (En file d'attente), ce qui signifie qu'elle est prête pour la collecte des échantillons d'entraînement.
• In progress (En cours), ce qui signifie que la collecte des échantillons est en cours.
• Pending review (Révision en attente), ce qui signifie qu'elle attend d'être vérifiée et qu'elle est marquée comme Completed (Terminé) par le collecteur d'échantillons d'entraînement.
• In review (En révision), ce qui signifie que les échantillons d'entraînement sont en cours de vérification.
• Reviewed (Révisé), ce qui signifie que l'unité de travail a été vérifiée et qu'elle est prête à être utilisée pour créer des fragments d'image.

Tableaux de bord de révision

Dans l'étape Prepare training data (Préparer les données d’entraînement), lors de la sous-étape Review training sample (Examiner les échantillons d’entraînement), un tableau de bord est créé pour gérer la révision. Dans ce tableau de bord, les unités de travail, les échantillons d'entraînement à vérifier et le statut de la révision sont tous visibles. Les tableaux de bord rendent la révision intuitive et efficace.