Affiner le modèle

Vous pouvez optimiser le modèle Détection des navires (SAR) en fonction de votre zone géographique, de votre imagerie ou de vos entités d’intérêt. L’optimisation d’un modèle demande moins de données d’entraînement, de ressources de calcul et de temps par rapport à l’entraînement d’un nouveau modèle.

Il est recommandé d’optimiser le modèle si vous n’êtes pas satisfait des résultats obtenus avec les modèles de Deep Learning pré-entraînés ArcGIS disponibles. Cela peut se produire si votre zone d’intérêt se trouve en dehors des géographies concernées pour les modèles ou si les propriétés de votre imagerie (la résolution, l’échelle et la saisonnalité, par exemple) sont différentes.

Vous pouvez préparer les données d’entraînement à l’aide de l’outil Export Training Data For Deep Learning (Exporter les données d’apprentissage pour Deep Learning). Ensuite, vous pouvez optimiser ce modèle sur vos données à l’aide de l’outil Entraîner le modèle de Deep Learning dans ArcGIS Pro. Suivez la procédure ci-dessous pour optimiser le modèle.

Préparer les données d’entraînement

Ce modèle est entraîné sur un raster composite trois bandes d’imagerie à polarisation VV GRD Sentinel-1 à bande C, avec une profondeur de bits non signés de 8 bits et des entités surfaciques représentant les navires. Utilisez l’outil Exporter les données d’entraînement pour le Deep Learning pour préparer les données d’entraînement et optimiser le modèle.

1. Accédez à Tools (Outils) sous l’onglet Analysis (Analyse).

   

2. Cliquez sur l’onglet Toolboxes (Boîtes à outils) dans le panneau Geoprocessing (Géotraitement), sélectionnez Image Analyst Tools (Outils Image Analyst) et accédez à l’outil Export Training Data For Deep Learning (Exporter les données d’entraînement pour Deep Learning) dans le jeu d’outils Deep Learning.

   

3. Définissez les variables sous l’onglet Parameters (Paramètres) comme suit :
   1. Input Raster (Raster en entrée) : sélectionnez le raster composite trois bandes d’imagerie à polarisation VV GRD SAR Sentinel-1 à bande C avec une profondeur de bits de 8 bits non signés.
   2. Output Folder (Dossier en sortie) : répertoire de votre choix sur votre poste.
   3. Input Feature Class Or Classified Raster Or Table (Classe d’entités, raster classé ou table en entrée) (facultatif) : sélectionnez la classe d’entités étiquetée. Cette classe d’entités doit comporter des emprises qui matérialisent les navires.
   4. Class Value Field (Champ de valeur de classe) : champ ClassValue qui fait référence à la valeur de classe (1) dans la classe d’entités ci-dessus.
   5. Image Format (Format d’image) : format TIFF
   6. Tile Size X (Taille de tuile X) : 224
   7. Tile Size Y (Taille de tuile Y) : 224
   8. Stride X (Pas X) : 0
   9. Stride Y (Pas Y) : 0
   10. Metadata Format (Format des métadonnées) : masques RCNN

       

4. Définissez les variables sous l’onglet Environments (Environnements).
   1. Processing Extent (Étendue de traitement) - Sélectionnez Current Display Extent (Étendue d’affichage actuelle) ou toute autre option dans le menu déroulant, comme il convient.
   2. Cell Size (Taille de cellule) : attribuez la valeur de votre choix à la taille de cellule.

      

5. Cliquez sur Run (Exécuter).

   À l’issue du traitement, les données d’entraînement exportées sont sauvegardées dans le répertoire spécifié.

Optimiser le modèle Détection d’une marée noire (SAR)

Pour optimiser le modèle, procédez comme suit :

1. Accédez à Tools (Outils) sous l’onglet Analysis (Analyse).

   

2. Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur l’onglet Toolboxes (Boîtes à outils) et développez Image Analyst Tools (Outils Image Analyst). Sélectionnez l’outil Train Deep Learning Model (Entraîner le modèle de Deep Learning) sous Deep Learning.

   

3. Définissez les variables sous l’onglet Parameters (Paramètres) comme suit :
   1. Input Training Data (Données d’entraînement en entrée) : chemin d’accès à vos données d’entraînement exportées à l’étape précédente.
   2. Output Folder (Dossier en sortie) : répertoire de votre choix sur votre poste.
   3. Max Epochs (Nombre maximal d’époques) (facultatif) : 100 (en fonction du nombre d’itérations pour lesquelles vous souhaitez optimiser le modèle. Une époque est le nombre d’itérations que l’outil va prendre pour traiter les données.)
   4. Batch Size (Taille du lot) : 16 (augmentez ou diminuez cette valeur en fonction de la capacité de votre GPU. La taille du lot doit toujours être un carré parfait.)
   5. Pre-trained Model (Modèle pré-entraîné) : entrez le fichier Parcel Extraction - USA (.dlpk) téléchargé depuis ArcGIS Living Atlas of the World.
   6. Stop when model stops improving (Arrêter lorsque le modèle ne s’améliore plus) : cochée
   7. Freeze Model (Figer le modèle) : cochée

      

4. Définissez les variables sous l’onglet Environments (Environnements).
   1. Processor Type (Type de processeur) : sélectionnez CPU ou GPU, en fonction des besoins. Si l’option est disponible, il est recommandé de sélectionner GPU et de définir GPU ID (ID GPU) sur le GPU à utiliser.

      

5. Cliquez sur Run (Exécuter).

   Vous pouvez à présent utiliser ce modèle pour exécuter l’inférence en fonction de votre imagerie.