Utiliser le modèle

Vous pouvez utiliser le modèle Insulator Defect Detection (Détection de défaut d’isolant) dans l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning) disponible dans la boîte à outils Image Analyst dans ArcGIS Pro.

Pour utiliser le modèle pré-entraîné Insulator Defect Detection (Détection de défaut d’isolant), procédez comme suit :

1. Téléchargez le modèle et ajoutez la couche d’imagerie dans ArcGIS Pro.

   

2. Cliquez sur l’onglet Analysis (Analyse) et accédez à Tools (Outils).

   

3. Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur Toolboxes (Boîtes à outils) et développez Image Analyst Tools (Outils Image Analyst). Sélectionnez l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning sous Deep Learning.

   

4. Sous l’onglet Parameters (Paramètres), définissez les variables comme suit :
   1. Input Raster (Raster en entrée) - Sélectionnez l’image.
   2. Output Detected Objects (Objets détectés en sortie) - Définissez la classe d’entités en sortie qui contient les objets détectés.
   3. Model Definition (Définition du modèle) - Sélectionnez le fichier .dlpk de modèle pré-entraîné ou optimisé.
   4. Arguments (facultatif) - Remplacez les valeurs des arguments, si nécessaire.
      • threshold - Les détections dont le score de confiance est supérieur à ce seuil sont incluses dans les résultats. Les valeurs autorisées varient entre 0 et 1,0.
      • nms_overlap - Ratio de superposition entre les emprises avec lequel filtrer les détections ayant des scores de confiance inférieurs.
      • test_time_augmentation - Procède à l’augmentation du temps de test lors de la prévision. Cette technique permet d’améliorer la robustesse et l’exactitude des prévisions du modèle. Elle implique d’appliquer des techniques d’augmentation de données lors de l’inférence. Pour ce faire, plusieurs versions légèrement modifiées des données de test doivent être générées et les prévisions doivent être agrégées. Si la valeur est vraie, les prévisions des orientations inversées et pivotées de l’image en entrée sont fusionnées dans la sortie finale et la moyenne de leurs valeurs de fiabilité est calculée. Ainsi, il est possible que la fiabilité passe en dessous du seuil pour les objets qui sont détectés dans un petit nombre d’orientations de l’image.
   5. Non Maximum Suppression (Suppression non maximale) - Vous pouvez, si vous le souhaitez, cocher la case pour supprimer les entités superposées de moindre confiance.

      Si l’option est cochée, effectuez les opérations suivantes :

      • Confidence Score Field (Champ de score de confiance) - Utilisez la valeur par défaut.
      • Class Value Field (Champ de valeur de classe) - Utilisez la valeur par défaut.
      • Max Overlap Ratio (Ratio de superposition maximale) - Définissez la valeur du ratio de superposition maximale sur 0,25.
   
5. Sous l’onglet Environments (Environnements), définissez les variables comme suit :
   1. Processing Extent (Étendue de traitement) - Sélectionnez Default (Par défaut) ou toute autre option dans le menu déroulant.
   2. Processor Type (Type de processeur) - Sélectionnez CPU (UC) ou GPU, le cas échéant.

      Si l’option est disponible, il est recommandé de sélectionner GPU et de définir GPU ID (ID GPU) sur le GPU à utiliser.

   
6. Cliquez sur Run (Exécuter).

   Dès que le traitement est terminé, la couche en sortie est ajoutée à la carte.