使用深度学习分类像素 (Image Analyst)

获得 Image Analyst 许可后可用。

摘要

用于运行输入栅格上的训练深度学习模型，以生成分类栅格，其中每个有效像素都被分配了一个类标注。

该工具需要包含经过训练的模型信息的模型定义文件。 可以使用训练深度学习模型工具或第三方训练软件（例如 TensorFlow、PyTorch 或 Keras）训练模型。 模型定义文件可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。

使用情况

• 您必须在 ArcGIS AllSource Python 环境中安装适当的深度学习框架 Python API（例如 TensorFlow 或 PyTorch）；否则在将 Esri 模型定义文件添加至工具时会发生错误。 向 Esri 模型定义文件的创建者索取相应的框架信息。

  要设置计算机以在 ArcGIS AllSource 中使用深度学习框架，请参阅安装 ArcGIS 的深度学习框架。

• 该工具将调用第三方深度学习 Python API（例如 TensorFlow、PyTorch 或 Keras），并使用指定的 Python 栅格函数来处理每个对象。

• 可以在 Esri Python 栅格函数 GitHub 页面中找到此工具的示例用例。 您还可以按照 GitHub 资料档案库中的示例和说明编写自定义 Python 模块。

• 模型定义参数值可以是 EsriEsri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。 当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。

• 有关深度学习的详细信息，请参阅 ArcGIS AllSource 中的深度学习。

• 以下代码示例使用 Esri 模型定义文件 (.emd)：

  {
      "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]
           }
      ]
  }

• 输入栅格可以是单个栅格、多个栅格或附加影像的要素类。 有关附件的详细信息，请参阅添加或移除文件附件。

• 增加批量大小可以提高工具性能；但是随着批量大小增加，所用内存也将随之增加。 如果出现内存不足错误，则降低批量大小。 可以使用自变量参数调整 batch_size 值。

• 批量大小为平方数，例如 1、4、9、16、25、64 等。 如果输入值不是完全平方值，将使用可能的最高平方值。 例如，如果指定的值为 6，表示可以将批量大小设置为 4。

• 该工具将支持并使用多个 GPU（如果可用）。 要使用特定的 GPU，指定 GPU ID 环境。 如果未设置 GPU ID，该工具将使用所有可用 GPU。 这是默认设置。

• 有关运行此工具的要求以及您可能遇到的问题的信息，请参阅深度学习常见问题。

参数

对话框

标注	说明	数据类型
输入栅格	将分类的输入栅格数据集。 输入可以是镶嵌数据集、影像服务或影像文件夹中的一个或多个栅格，或者具有影像附件的要素类。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder; Feature Layer; Feature Class
模型定义	模型定义参数值可以是 EsriEsri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。 当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。 其中包含深度学习二进制模型文件的路径、待使用的 Python 栅格函数的路径以及其他参数，例如首选切片大小或填充。	File; String
参数 (可选)	将使用模型定义参数中的信息填充此参数。 这些参数会有所变化，具体取决于模型架构。 下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 batch_size - 模型推断每个步骤中处理的影像切片数。 这取决于显卡的内存。 此参数适用于所有模型架构。 direction - 图像将从一个域转换为另一个域。 选项为 AtoB 和 BtoA。 此参数仅适用于 CycleGAN 架构。 有关此参数的详细信息，请参阅 CycleGAN 的工作原理。 merge_policy - 用于合并增强预测的策略。 可用选项为 mean、max 和 min。 此参数仅在使用测试时数据增强时适用。 此参数适用于 MultiTaskRoadExtractor 和 ConnectNet 架构。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 n_timestep - 将使用的时间步数。 默认值为 200。 它可以根据代数相应增大和减小。 仅具有 SR3 骨干模型的超分辨率支持该参数。 padding - 影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。 要在减少伪影的同时使输出更加平滑，请增大此值。 内边距的最大值可以是切片大小值的一半。 此参数适用于所有模型架构。 predict_background - 指定是否对背景类进行分类。 如果为 true，则也会对背景类进行分类。 此参数适用于 UNET、PSPNET、DeepLab、MMSegmentation 和 SAMLoRA。 return_probability_raster - 指定输出是否为概率栅格。 如果为 true，则输出将为概率栅格。 如果为 false，则输出将为二进制分类栅格。 默认值为 false。 如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 sampling_type - 将使用的采样类型。 有两种类型的采样可用：ddim 和 ddpm。 默认值为 ddim，与 ddpm 相比，它以更少的时间步长生成结果。 仅具有 SR3 骨干模型的超分辨率支持该参数。 schedule - 设置计划类型的可选字符串。 默认计划与其训练的模型相同。 仅具有 SR3 骨干模型的超分辨率支持该参数。 test_time_augmentation - 在预测期间执行测试时数据增强。 如果值为 true，则输入影像的翻转和旋转变体的预测将合并到最终输出中。 此参数适用于 UNET、PSPNET、DeepLab、HED Edge Detector、BDCN Edge Detector、ConnectNet、MMSegmentation、Multi-Task Road Extractor 和 SAMLoRA。 tile_size - 影像切片的宽度和高度，影像将按照此值分割以进行预测。 此参数仅适用于 CycleGAN 架构。 thinning - 指定是对预测边进行细化，还是对其进行概化。 选项为 True 和 False。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构适用。 threshold - 置信度得分高于此阈值的预测将包含在结果中。 允许的值范围为从 0 到 1.0。 如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。	Value Table
处理模式	指定处理镶嵌数据集或影像服务中的所有栅格项目的方式。 当输入栅格是镶嵌数据集或影像服务时，将应用此参数。 以镶嵌影像方式处理—将镶嵌在一起并处理镶嵌数据集或影像服务中的所有栅格项目。 这是默认设置。 单独处理所有栅格项目—将作为独立影像处理镶嵌数据集或影像服务中的所有栅格项目。	String
输出文件夹 (可选)	将存储输出分类栅格的文件夹。 将使用此文件夹中的分类栅格来生成镶嵌数据集。 当输入栅格是要单独处理所有项目的影像文件夹或镶嵌数据集时，此参数为必需项。 默认为工程文件夹中的文件夹。	Folder
输出要素 (可选)	将存储输出分类栅格的要素类。 当输入栅格为图像要素类时，此参数为必需参数。	Feature Class
覆盖附件 (可选)	指定是否将覆盖现有图像附件。 未选中 - 将不会覆盖现有图像附件，并且新图像附件将存储在新要素类中。 取消选中此参数时，输出要素参数将可用。 这是默认设置。 选中 - 现有要素类将被新的已更新附件覆盖。 仅当输入栅格参数值为具有图像附件的要素类时，此参数才适用。	Boolean
使用像素空间 (可选)	指定是否对像素空间中的影像执行推断。 未选中 - 将在地图空间中执行推断。 这是默认设置。 选中 - 将在影像空间中执行推断，输出将重新转换为地图空间。 对于要素可能在使用地图空间时变形的倾斜影像或街景影像，此选项非常有用。	Boolean

返回值

标注	说明	数据类型
输出栅格数据集	包含结果的栅格或镶嵌数据集的名称。	Raster Dataset

Python

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

名称	说明	数据类型
in_raster	将分类的输入栅格数据集。 输入可以是镶嵌数据集、影像服务或影像文件夹中的一个或多个栅格，或者具有影像附件的要素类。	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 参数值可以是 Esri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。 当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。 其中包含深度学习二进制模型文件的路径、待使用的 Python 栅格函数的路径以及其他参数，例如首选切片大小或填充。	File; String
arguments [arguments,...] (可选)	in_model_definition 参数中的信息将用于设置此参数的默认值。 这些参数会有所变化，具体取决于模型架构。 下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 batch_size - 模型推断每个步骤中处理的影像切片数。 这取决于显卡的内存。 此参数适用于所有模型架构。 direction - 图像将从一个域转换为另一个域。 选项为 AtoB 和 BtoA。 此参数仅适用于 CycleGAN 架构。 有关此参数的详细信息，请参阅 CycleGAN 的工作原理。 merge_policy - 用于合并增强预测的策略。 可用选项为 mean、max 和 min。 此参数仅在使用测试时数据增强时适用。 此参数适用于 MultiTaskRoadExtractor 和 ConnectNet 架构。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 n_timestep - 将使用的时间步数。 默认值为 200。 它可以根据代数相应增大和减小。 仅具有 SR3 骨干模型的超分辨率支持该参数。 padding - 影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。 要在减少伪影的同时使输出更加平滑，请增大此值。 内边距的最大值可以是切片大小值的一半。 此参数适用于所有模型架构。 predict_background - 指定是否对背景类进行分类。 如果为 true，则也会对背景类进行分类。 此参数适用于 UNET、PSPNET、DeepLab、MMSegmentation 和 SAMLoRA。 return_probability_raster - 指定输出是否为概率栅格。 如果为 true，则输出将为概率栅格。 如果为 false，则输出将为二进制分类栅格。 默认值为 false。 如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 sampling_type - 将使用的采样类型。 有两种类型的采样可用：ddim 和 ddpm。 默认值为 ddim，与 ddpm 相比，它以更少的时间步长生成结果。 仅具有 SR3 骨干模型的超分辨率支持该参数。 schedule - 设置计划类型的可选字符串。 默认计划与其训练的模型相同。 仅具有 SR3 骨干模型的超分辨率支持该参数。 test_time_augmentation - 在预测期间执行测试时数据增强。 如果值为 true，则输入影像的翻转和旋转变体的预测将合并到最终输出中。 此参数适用于 UNET、PSPNET、DeepLab、HED Edge Detector、BDCN Edge Detector、ConnectNet、MMSegmentation、Multi-Task Road Extractor 和 SAMLoRA。 tile_size - 影像切片的宽度和高度，影像将按照此值分割以进行预测。 此参数仅适用于 CycleGAN 架构。 thinning - 指定是对预测边进行细化，还是对其进行概化。 选项为 True 和 False。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构适用。 threshold - 置信度得分高于此阈值的预测将包含在结果中。 允许的值范围为从 0 到 1.0。 如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。	Value Table
processing_mode	指定处理镶嵌数据集或影像服务中的所有栅格项目的方式。 当输入栅格是镶嵌数据集或影像服务时，将应用此参数。 PROCESS_AS_MOSAICKED_IMAGE—将镶嵌在一起并处理镶嵌数据集或影像服务中的所有栅格项目。 这是默认设置。 PROCESS_ITEMS_SEPARATELY—将作为独立影像处理镶嵌数据集或影像服务中的所有栅格项目。	String
out_classified_folder (可选)	将存储输出分类栅格的文件夹。 将使用此文件夹中的分类栅格来生成镶嵌数据集。 当输入栅格是要单独处理所有项目的影像文件夹或镶嵌数据集时，此参数为必需项。 默认为工程文件夹中的文件夹。	Folder
out_featureclass (可选)	将存储输出分类栅格的要素类。 当输入栅格为图像要素类时，此参数为必需参数。	Feature Class
overwrite_attachments (可选)	指定是否将覆盖现有图像附件。 NO_OVERWRITE—将不会覆盖现有图像附件，并且新图像附件将存储在新要素类中。 指定此选项时，必须填充 out_featureclass 参数。 这是默认设置。 OVERWRITE—现有要素类将被新的已更新附件覆盖。 仅当 in_raster 参数值为具有图像附件的要素类时，此参数才有效。	Boolean
use_pixelspace (可选)	指定是否对像素空间中的影像执行推断。 NO_PIXELSPACE—将在地图空间中执行推断。 这是默认设置。 PIXELSPACE—将在影像空间中执行推断，输出将重新转换为地图空间。 对于要素可能在使用地图空间时变形的倾斜影像或街景影像，此选项非常有用。	Boolean

返回值

名称	说明	数据类型
out_classified_raster	包含结果的栅格或镶嵌数据集的名称。	Raster Dataset

代码示例

ClassifyPixelsUsingDeepLearning 示例 1（Python 窗口）

此示例使用 ClassifyPixelsUsingDeepLearning 函数并基于自定义像素分类对栅格进行分类。

# 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 示例 2（独立脚本）

此示例使用 ClassifyPixelsUsingDeepLearning 函数并基于自定义像素分类对栅格进行分类。

# 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")

环境

像元大小, 当前工作空间, 范围, 地理变换, GPU ID, 输出坐标系, 并行处理因子, 处理器类型, 临时工作空间, 捕捉栅格