Использование модели

Вы можете использовать эту модель в инструменте Выявить объекты при помощи глубокого обучения, доступном в наборе инструментов Image Analyst в ArcGIS Pro.

Выполните следующие шаги, чтобы обнаружить тюленей на снимках с БПЛА:

1. Убедитесь, что вы загрузили предварительно обученную модель Arctic Seal Detection и добавили слой изображений в ArcGIS Pro.
2. Приблизьтесь к области интереса или используйте все снимки с БПЛА.

   

3. Перейдите к Инструментам на вкладке Анализ.

   

4. Перейдите на вкладку Наборы инструментов на панели Геообработка, выберите Инструменты Image Analyst и найдите инструмент Выявить объекты при помощи глубокого обучения в разделе Глубокое обучение.

   

5. Задайте переменные на вкладке Параметры следующим образом:
   1. Входной растр - Выберите изображение.
   2. Выходные выявленные объекты — Установите выходной класс объектов, который будет содержать обнаруженные объекты.
   3. Определение модели - Выберите файл .dlpk предварительно обученной или точно настроенной модели.
   4. Аргументы модели — измените значения аргументов, если это необходимо.
      • padding — число пикселов на границе листов изображений, из которых складываются прогнозные данные для смежных листов. Увеличьте это значение, чтобы сгладить результат и одновременно уменьшить артефакты по краям. Максимальное значение padding может составлять половину значения размера листа.
      • threshold — В результат включаются обнаруженные объекты, достоверность которых превышает это пороговое значение. Допустимые значения находятся в диапазоне от 0 до 1.0.
      • nms_overlap — коэффициент максимального перекрытия для двух перекрывающихся объектов, который определяется как отношение площади пересечения к площади объединения. Значение по умолчанию равно 0,1.
      • batch_size — число листов изображения, обработанных на каждом этапе построения модели. Оно зависит от объема памяти видеокарты.
      • exclude_pad_detections — если true, фильтрует потенциально усеченные обнаружения вблизи краев, которые находятся в дополненной области кусочков изображений.
      • test_time_augmentation - Увеличивает время тестирования в процессе прогнозирования. Это метод, используемый для повышения надежности и точности прогнозов модели. Он включает в себя применение методов увеличения данных во время вывода, то есть создание нескольких слегка измененных версий тестовых данных и агрегирование прогнозов. Если задано значение true, то конечный результат объединит прогнозы перевернутых и повернутых ориентаций входного изображения, а их доверительные значения будут усреднены. Это может привести к падению достоверности ниже порогового значения для объектов, которые обнаруживаются только в нескольких положениях изображения.
   5. Немаксимальное подавление (необязательно) — отметьте при необходимости.

      Когда опция отмечена, сделайте следующее:

      • Установите Поле балла достоверности.
      • Установите Поле значений класса (дополнительно).
      • Установите Максимальный коэффициент перекрытия (дополнительно).

   

6. Установите переменные на вкладке Параметры среды следующим образом:
   1. Тип процессора - Выберите CPU или GPU.

      Рекомендуется выбрать GPU, если он доступен, и установить идентификатор GPU ID, чтобы указать используемый GPU.

   

7. Щелкните Запустить.

   Выходной слой добавится на карту.