Gestion de la charge de travail dans Deep Learning Studio

Disponible avec 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.

Projeter

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 correspondre à l’une des trois étapes suivantes :

• Queued (En file d’attente) : l’unité de travail est prête pour la collecte des échantillons d’entraînement. Une fois le projet configuré, toutes les unités de travail auront le statut initial Queued (En file d’attente).
• In progress (En cours) : la collecte des échantillons est en cours sur l’unité de travail. Une fois que vous avez commencé à collecter ou à modifier des échantillons d’entraînement sur une unité de travail, son statut passe de Queued (En file d’attente) à In progress (En cours).
• Pending review (Révision en attente) : une fois la collecte d’échantillons initiale terminée sur une unité de travail, le statut passe de In progress (En cours) à Pending review (Révision en attente). Une unité de travail avec le statut Pending review (Révision en attente) peut ensuite être révisée par un analyste ou un propriétaire de projet.
• In review (En révision) : lorsque l’unité de travail est en cours de révision, le statut passe de Pending review (Révision en attente) à In review (En révision), jusqu’à la fin de la révision.
• Reviewed (Révisé) : une fois que l’unité de travail a été révisée et que les échantillons collectés sont acceptés, son statut passe de In review (En révision) à Reviewed (Révisé).

  Remarque :

  Si des échantillons sont rejetés dans l’unité de travail, le réviseur est invité à affecter le statut Queued (En file d’attente) jusqu’à ce que les échantillons rejetés soient corrigés. Le statut peut également demeurer Reviewed (Révisé).

Vous pouvez actualiser manuellement le statut des unités de travail via la page Review Training Samples (Examiner les échantillons d’entraînement) en cliquant sur chacune d’entre elles dans la carte, dans la table ou la fenêtre contextuelle et en utilisant le menu pour modifier manuellement leur statut. Si vous devez modifier plusieurs unités de travail, vous pouvez les sélectionner simultanément et cliquer sur le bouton Update (Mettre à jour) pour modifier leur statut.

Statut de l’échantillon d’apprentissage

Les analystes peuvent surveiller le statut du projet via le statut de l’unité de travail, qui indique l’étape actuelle du projet. Dans le statut général d’une unité de travail, chaque échantillon d’entraînement peut disposer de l’une des options de statut suivantes :

• Pending approval (En attente d’approbation) : statut initial de chaque échantillon d’entraînement. Par défaut, tous les échantillons d’entraînement ont ce statut et cela ne change pas tant qu’un réviseur n’a pas approuvé ou rejeté l’échantillon.
• Approved (Approuvé) : indique que le réviseur a approuvé l’échantillon d’entraînement.
• Rejected (Rejeté) : indique que le réviseur a rejeté l’échantillon d’entraînement.

Attention :

Seuls les échantillons d’entraînement qui ont le statut Approved (Approuvé) sont exportés en tant que fragments d’image. Les échantillons d’apprentissage qui ont un autre statut sont exclus du processus d’exportation.

Page de renvoi Préparer les données d’entraînement

Depuis la page de renvoi du projet, cliquez sur le bouton Prepare training data (Préparer les données d’entraînement), un tableau de bord pour les unités de travail et échantillons d’entraînement est disponible. Le tableau de bord offre un point central pour suivre votre progression à travers les unités de travail de manière intuitive et efficace. La page de renvoi du projet vous permet de sélectionner n’importe quelle sous-tâche du processus, y compris la collecte d’échantillons d’entraînement, l’examen des échantillons d’entraînement, la gestion des fragments d’image, etc.