モデルの微調整

区画エリア、画像、対象フィーチャに合わせて、Ship Detection モデルを微調整できます。 新しいモデルをトレーニングする場合に比べ、モデルを微調整する方がトレーニング データや計算リソースが少なくて済み、時間も短縮できます。

利用可能な ArcGIS の事前トレーニング済みディープ ラーニング モデルで満足のいく結果が得られない場合は、モデルの微調整を行うことをお勧めします。 これは、対象地域がモデルの適用地域から外れている場合や、解像度、縮尺、季節性などの画像プロパティが異なる場合です。

ディープ ラーニング用のトレーニング データをエクスポート (Export Training Data For Deep Learning) ツールを使用し、トレーニング データを準備できます。 次に、ArcGIS Pro のディープ ラーニング モデルのトレーニング ツールを使用し、データ上でこのモデルを微調整できます。 モデルを微調整するには、次の手順に従います。

トレーニング データの準備

このモデルは、3 バンドの RGB 画像とパイロンの検出ラベルでトレーニングされています。 [ディープ ラーニング用のトレーニング データをエクスポート (Export Training Data For Deep Learning)] ツールを使用し、モデルを微調整するためのトレーニング データを準備します。

1. [解析] タブの [ツール] を参照します。

   

2. [ジオプロセシング] ウィンドウの [ツールボックス] タブをクリックし、[Image Analyst ツール] を選択し、[ディープ ラーニング] ツールセットの [ディープ ラーニング用のトレーニング データをエクスポート] ツールを参照します。

   

3. [パラメーター] タブで、次のように変数を設定します。
   1. [入力ラスター] - 3 バンドの RGB 画像を選択します。
   2. [出力フォルダー] - コンピューター上の任意のディレクトリ。
   3. [入力フィーチャクラス、分類ラスター、またはテーブル] (オプション) - パイロン検出のトレーニング ラベルを含む、ラベル付きフィーチャクラスを選択します。
   4. [クラス値フィールド] - 上記のフィーチャクラスでクラス値 ("1") を参照している ClassValue フィールド。
   5. [イメージ形式] - TIFF 形式
   6. [タイル サイズ X] - 256
   7. [タイル サイズ Y] - 256
   8. [ストライド X] ‐ 0
   9. [ストライド Y] ‐ 0
   10. [メタデータ形式] - PASCAL ビジュアル オブジェクト クラス

       

4. [環境] タブで変数を設定します。
   1. [処理範囲] - ドロップダウン メニューから [現在の表示範囲]、または必要に応じて他の選択肢を選択します。
   2. [セル サイズ] - 値を目的のセル サイズに設定します。

      

5. [実行] をクリックします。 処理が完了すると、エクスポートされたトレーニング データは指定したディレクトリに保存されます。

Ship Detection モデルの微調整

モデルを微調整するには、次の手順を実行します。

1. [解析] タブの [ツール] を参照します。

   

2. [ジオプロセシング] ウィンドウで [ツールボックス] タブをクリックして、[Image Analyst ツール] を展開します。 [ディープ ラーニング] で [ディープ ラーニング モデルのトレーニング] ツールを選択します。

   

3. [パラメーター] タブで、次のように変数を設定します。
   1. [入力トレーニング データ] - 前回のステップでエクスポートされたトレーニング データのパス。
   2. [出力フォルダー] - コンピューター上の任意のディレクトリ。
   3. [最大エポック] - (オプション) - 100 (モデルを微調整する反復回数によります。 エポックとは、ツールがデータを処理する際にかかる反復回数のことです)。
   4. [バッチ サイズ] - 64 (GPU の容量に応じて、この数値を増減させます。 バッチ サイズは常に平方数にする必要があります。)
   5. [事前トレーニング済みモデル] - ArcGIS Living Atlas of the World からダウンロードした Ship Detection (.dlpk) ファイルを入力します。
   6. [モデルが改善を見込めなくなった時点で停止] - オン
   7. [モデルの固定] - オン

      

4. [環境] タブで変数を設定します。
   1. [プロセッサー タイプ] - 必要に応じて CPU または GPU を選択します。 GPU が使用可能であれば GPU を選択し、GPU ID を、使用する GPU に設定することをお勧めします。

      

5. [実行] をクリックします。 これで、このモデルを使用し、画像に対して推論を実行できるようになります。