ディープラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning) (Image Analyst)—ArcGIS AllSource

Image Analyst ライセンスで利用できます。

サマリー

入力ラスターにトレーニング済みディープラーニングモデルを実行して、有効な各ピクセルにクラスラベルを割り当てた分類済みラスターを作成します。

このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。モデルは、[ディープラーニングモデルのトレーニング (Train Deep Learning Model)] ツールを使用するか、TensorFlow、PyTorch、または Keras などのサードパーティのトレーニングソフトウェアによって、トレーニングできます。モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープラーニングモデルパッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリディープラーニングモデルファイルのパスを含む必要があります。

使用法

AllSource Python 環境に適切なディープラーニングフレームワークの Python API (TensorFlow や PyTorch など) をインストールする必要があります。インストールしない場合、Esri モデル定義ファイルをツールに追加するとエラーが発生します。 Esri モデル定義ファイルの作成者から適切なフレームワーク情報を入手します。
AllSource のディープラーニングフレームワークを使用するようにコンピューターを設定するには、「ArcGIS 用のディープラーニングフレームワークのインストール」をご参照ください。
このツールは、サードパーティのディープラーニング Python API (TensorFlow、PyTorch、Keras など) を呼び出し、指定された Python ラスター関数を使用して、各オブジェクトを処理します。
Esri Python ラスター関数の GitHub ページに、このツールの使用例が記載されています。また、GitHub リポジトリの例と手順に従って、カスタム Python モジュールを記述することもできます。
[モデル定義] パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) を指定することができます。 JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。 .dlpk ファイルはローカルに格納する必要があります。
ディープラーニングの詳細については、「AllSource のディープラーニング」をご参照ください。

次のサンプルコードは、Esri モデル定義ファイル (.emd) を使用します。

{
    "Framework":"TensorFlow",
    "ModelConfiguration":"deeplab",

    "ModelFile":"\\Data\\ImgClassification\\TF\\froz_inf_graph.pb",
    "ModelType":"ImageClassification",
    "ExtractBands":[0,1,2],
    "ImageHeight":513,
    "ImageWidth":513,

    "Classes" : [
        {
            "Value":0,
            "Name":"Evergreen Forest",
            "Color":[0, 51, 0]
         },
         {
            "Value":1,
            "Name":"Grassland/Herbaceous",
            "Color":[241, 185, 137]
         },
         {
            "Value":2,
            "Name":"Bare Land",
            "Color":[236, 236, 0]
         },
         {
            "Value":3,
            "Name":"Open Water",
            "Color":[0, 0, 117]
         },
         {
            "Value":4,
            "Name":"Scrub/Shrub",
            "Color":[102, 102, 0]
         },
         {
            "Value":5,
            "Name":"Impervious Surface",
            "Color":[236, 236, 236]
         }
    ]
}

入力ラスターには、画像が添付された単一のラスター、複数のラスター、またはフィーチャクラスを使用できます。添付ファイルの詳細については、「アタッチメントの追加または削除」をご参照ください。
バッチサイズを増やすと、ツールのパフォーマンスが向上します。ただし、バッチサイズの増加に伴って、使用されるメモリ量も多くなります。メモリ不足エラーが発生した場合は、より小さいバッチサイズを使用します。 batch_size の値は [引数] パラメーターを使用して調整できます。
バッチサイズは、1、4、9、16、25、64 などの平方数です。入力値が完全な平方数でない場合は、最も大きな平方数が使用されます。たとえば、値に 6 が指定された場合、バッチサイズは 4 に設定されます。
このツールの実行要件および発生する可能性のある問題の詳細については、「ディープラーニングに関するよくあるご質問 (FAQ)」をご参照ください。

パラメーター

ラベル	説明	データタイプ
入力ラスター	分類される入力ラスターデータセット。この入力には、モザイクデータセット、イメージサービス、画像のフォルダー、または画像の添付ファイルを含むフィーチャクラス内の単一のラスターまたは複数のラスターを指定することができます。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder; Feature Layer; Feature Class
モデル定義	[モデル定義] パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) を指定することができます。 JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。 .dlpk ファイルはローカルに格納する必要があります。これには、ディープラーニングバイナリモデルファイルへのパス、使用される Python ラスター関数へのパス、および他のパラメーター (望ましいタイルサイズやゼロ詰めなど) が含まれます。	File; String
引数 (オプション)	Python ラスター関数クラスに定義される関数の引数。ここでは、実験や調整のための追加のディープラーニングパラメーターおよび引数 (感度を調整するための信頼性の閾値など) をリストします。引数の名前は、Python モジュールを読み取ることによって入力されます。	Value Table
処理モード	モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムを処理する方法を指定します。入力ラスターがモザイクデータセットまたはイメージサービスである場合、このパラメーターが適用されます。モザイク画像として処理—モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムがモザイク化され、処理されます。これがデフォルトです。すべてのラスターアイテムを個別に処理—モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムが、個別の画像として処理されます。	String
出力フォルダー (オプション)	出力分類ラスターが格納されるフォルダー。モザイクデータセットは、このフォルダー内の分類されたラスターを使用して生成されます。このパラメーターは、入力ラスターが画像のフォルダー、またはすべてのアイテムが個別に処理されるモザイクデータセットである場合に必須です。デフォルトは、プロジェクトフォルダー内のフォルダーです。	Folder
出力フィーチャ (オプション)	出力分類ラスターが格納されるフィーチャクラス。このパラメーターは、入力ラスターが画像のフィーチャクラスの場合は必須です。	Feature Class

戻り値

ラベル	説明	データタイプ
出力ラスターデータセット	結果を含むラスターまたはモザイクデータセットの名前。	Raster Dataset

ClassifyPixelsUsingDeepLearning(in_raster, in_model_definition, {arguments}, processing_mode, {out_classified_folder}, {out_featureclass})

名前	説明	データタイプ
in_raster	分類される入力ラスターデータセット。この入力には、モザイクデータセット、イメージサービス、画像のフォルダー、または画像の添付ファイルを含むフィーチャクラス内の単一のラスターまたは複数のラスターを指定することができます。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder; Feature Layer; Feature Class
in_model_definition	in_model_definition パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープラーニングモデルパッケージ (.dlpk) を指定することができます。 JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。 .dlpk ファイルはローカルに格納する必要があります。これには、ディープラーニングバイナリモデルファイルへのパス、使用される Python ラスター関数へのパス、および他のパラメーター (望ましいタイルサイズやゼロ詰めなど) が含まれます。	File; String
arguments [arguments,...] (オプション)	Python ラスター関数クラスに定義される関数の引数。ここでは、実験や調整のための追加のディープラーニングパラメーターおよび引数 (感度を調整するための信頼性の閾値など) をリストします。引数の名前は、Python モジュールを読み取ることによって入力されます。	Value Table
processing_mode	モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムを処理する方法を指定します。入力ラスターがモザイクデータセットまたはイメージサービスである場合、このパラメーターが適用されます。 PROCESS_AS_MOSAICKED_IMAGE—モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムがモザイク化され、処理されます。これがデフォルトです。 PROCESS_ITEMS_SEPARATELY—モザイクデータセットまたはイメージサービス内のすべてのラスターアイテムが、個別の画像として処理されます。	String
out_classified_folder (オプション)	出力分類ラスターが格納されるフォルダー。モザイクデータセットは、このフォルダー内の分類されたラスターを使用して生成されます。このパラメーターは、入力ラスターが画像のフォルダー、またはすべてのアイテムが個別に処理されるモザイクデータセットである場合に必須です。デフォルトは、プロジェクトフォルダー内のフォルダーです。	Folder
out_featureclass (オプション)	出力分類ラスターが格納されるフィーチャクラス。このパラメーターは、入力ラスターが画像のフィーチャクラスの場合は必須です。	Feature Class

戻り値

名前	説明	データタイプ
out_classified_raster	結果を含むラスターまたはモザイクデータセットの名前。	Raster Dataset

コードのサンプル

ClassifyPixelsUsingDeepLearning の例 1 (Python ウィンドウ)

次の例では、ClassifyPixelsUsingDeepLearning 関数を使用して、カスタムピクセル分類に基づいてラスターを分類しています。

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

ClassifyPixelsUsingDeepLearning("c:/classifydata/moncton_seg.tif",
     "c:/classifydata/moncton.tif", "c:/classifydata/moncton_sig.emd")

ClassifyPixelsUsingDeepLearning の例 2 (スタンドアロンスクリプト)

次の例では、ClassifyPixelsUsingDeepLearning 関数を使用して、カスタムピクセル分類に基づいてラスターを分類しています。

# Import system modules
import arcpy
from arcpy.ia import *


# Set local variables
in_raster = "c:\\classifydata\\moncton_seg.tif"
in_model_definition = "c:\\classifydata\\moncton_sig.emd"
model_arguments = "padding 0; batch_size 16"
processing_mode = "PROCESS_AS_MOSAICKED_IMAGE"

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

# Execute 
Out_classified_raster = ClassifyPixelsUsingDeepLearning(in_raster, 
                   in_model_definition, model_arguments, processing_mode)
Out_classified_raster.save("c:\\classifydata\\classified_moncton.tif")

環境

セルサイズ, 現在のワークスペース, 範囲, 地理座標系変換, GPU ID, 出力座標系, 並列処理ファクター, プロセッサタイプ, テンポラリワークスペース, スナップ対象ラスター

このトピックへのフィードバック

サマリー

使用法

パラメーター

戻り値

戻り値

コードのサンプル

環境

このトピックの内容