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“Prithvi - 农作物分类”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协调后的 Landsat 8 (HLSL30) 或协调后的 Sentinel 2 (HLSS30) 影像的 18 波段复合数据，并使用了农作物标注。 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。

   

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。

   

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 18 波段影像。 关于输入栅格的详细信息，请参阅建议的影像配置。
   2. 输出文件夹 - 在计算机上选择的任一目录。
   3. 输入要素类、分类栅格或表（可选）- 选择表示农作物分类的已标注要素类或已分类栅格，用于表示类的 ClassValue 字段或像素值与多时态农作物分类数据集中的 13 个类相同。

      要素类还应该有一个名为 ClassName 的文本字段，其值设置为农作物类的名称。

   4. 类值字段 - 此为 ClassValue 字段。 将其设置为与多时态农作物分类数据集相同的值。
   5. 图像格式 - TIFF 格式
   6. 切片大小 X - 224
   7. 切片大小 Y - 224
   8. 步幅 X - 0
   9. 步幅 Y - 0
   10. 元数据格式 - 分类切片

       

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。

      

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“Prithvi - 农作物分类”模型

使用 ArcGIS API for Python 的 learn 模块对模型进行微调：

1. 在具备深度学习依赖项的环境中打开 Python 命令提示符，转至所需目录，然后输入 jupyter-notebook。
   
2. 单击浏览器中的新建，选择 Python 3 (ipykernel) 以创建一个新笔记本。
   
3. 按照以下步骤使用函数对模型进行微调：
   1. 导入 arcgis.learn 模块。
   2. prepare_data - 利用导出训练数据工具导出的训练样本，或采用受支持数据集格式的训练样本来准备数据对象。

      1. path - 提供之前步骤中导出的训练数据的路径。
      2. batch_size - 指定模型推断过程中每步处理的图像切片数量。batch_size 取决于您的显卡的内存。

   3. 初始化一个 MMSegmentation 模型并将其分配至某个变量名称，例如 model。

      1. data - 提供使用 prepare_data 函数创建的数据对象。
      2. model - 将模型名称指定为 prithivi100m_crop_classification。

   4. fit - 利用 fit 方法自动生成的最优学习率为模型训练指定的迭代次数。
   5. save - 使用 save 方法将训练完成的模型保存为深度学习包（.dlpk 格式）。 深度学习包格式是在 ArcGIS 平台上部署深度学习模型的标准文件格式。 默认保存路径为训练数据文件夹内的 models 子文件夹。
   6. per_class_metrics - 使用 per_class_metrics 方法在验证集上计算每个类别的精度、召回率和 f1 得分。

      

   现在，您可以将保存的模型应用于影像数据，进行推理分析。