Skip To Content

微调模型

您可以根据自己的地理区域、影像数据或感兴趣要素,对“高分辨率土地覆盖分类 - 美国”模型进行个性化微调。 与训练全新模型相比,微调现有模型所需的训练数据量更少,且节省计算资源和时间。

如 ArcGIS 提供的预训练深度学习模型未能达到预期效果,我们推荐您尝试对模型进行微调。 当您的感兴趣区域超出模型的适用地理范围,或者您的影像数据在分辨率、比例尺、季节性等属性上有所差异时,这一做法尤其适用。

您可以借助导出训练数据进行深度学习工具来准备训练数据。 然后,您可以利用 ArcGIS Pro 中的训练深度学习模型工具在数据集上对模型进行微调。 按照以下步骤微调模型。

准备训练数据

该模型的训练基础为高分辨率 (80-120 cm) 影像,并采用了与 Chesapeake Bay Land Cover 2013/2014 数据集中的类别及类值对应的分类栅格。 利用“导出训练数据进行深度学习”工具,为模型微调准备训练数据。

  1. 浏览至分析选项卡下的工具
    工具图标
  2. 单击地理处理窗格中的工具箱选项卡,选择 Image Analyst 工具,然后浏览至深度学习工具集下的导出训练数据进行深度学习工具。
    导出训练数据进行深度学习工具
  3. 按照以下说明设置参数选项卡下的变量:
    1. 输入栅格 - 选择影像。
    2. 输出文件夹 - 在计算机上选择的任一目录。
    3. 输入要素类或分类栅格或表 - 如果您使用的是分类栅格,请确保其像素值与 Chesapeake Bay Landcover 数据集 (2013/2014) 的像素值相匹配。 在要素类中,应包含一个名为 ClassName 的文本字段,用以记录土地覆盖的类别名称;同时,还应包含另一个名为 ClassValue 的字段,其值需与 Chesapeake Bay Landcover 数据集 (2013/2014) 中相应的类别值一致。
    4. 类值字段 - 如果在前一步中使用了要素图层,则会出现此选项。 添加引用 Chesapeake Bay Landcover 数据集 (2013/2014) 中类值的 ClassValue 字段。
    5. 图像格式 - TIFF 格式
    6. 切片大小 X - 512
    7. 切片大小 Y - 512
    8. 步幅 X - 0
    9. 步幅 Y - 0
    10. 元数据格式 - 分类切片
      导出训练数据进行深度学习工具参数
  4. 设置环境选项卡下的变量。
    1. 处理范围 - 根据需要从下拉菜单中选择当前显示范围或任意其他选项。
    2. 像元大小 - 根据需要设置像元大小。
      导出训练数据进行深度学习工具参数
  5. 单击运行。 处理完成后,导出的训练数据将存储在指定目录中。

微调“高分辨率土地覆盖分类 - 美国”模型

按照以下步骤微调模型:

  1. 浏览至分析选项卡下的工具
    工具图标
  2. 地理处理窗格中,单击工具箱,然后展开 Image Analyst 工具。 选择深度学习下的训练深度学习模型工具。
    “训练深度学习模型”工具
  3. 按照以下说明设置参数选项卡下的变量:
    1. 输入训练数据 - 之前步骤中导出的训练数据路径。
    2. 输出文件夹 - 在计算机上选择的任一目录。
    3. 最大轮数(可选)- 100(取决于要微调模型的迭代次数。 轮数是工具遍历数据所需进行的迭代次数。)
    4. 预训练模型 - 从 ArcGIS Living Atlas of the World 下载的“高分辨率土地覆盖分类 - 美国”(.dlpk) 文件。
    5. 批量大小 - 8(根据您的 GPU 容量增加或减少此数字。 为获得最佳性能,建议选择平方数作为批量大小。)
    6. 当模型停止改进时停止 - 选中
    7. 冻结模型 - 选中
      “训练深度学习模型”工具参数
  4. 设置环境选项卡下的变量。
    1. 处理器类型 - 根据需要选择 CPU 或 GPU。 如果可以使用 GPU,建议您选择 GPU 并设置待使用 GPU 的 GPU ID。
      “训练深度学习模型”工具参数
  5. 单击运行。 现在,您可以将此模型应用于影像数据,进行推理分析。