Häufig gestellte Fragen zu Deep Learning
Hier finden Sie Antworten auf häufig gestellte Fragen zu Deep Learning.
Welche GPU-Anforderungen sind für die Ausführung von Deep-Learning-Werkzeugen zu erfüllen?
Können Geoverarbeitungswerkzeuge mehrere GPUs auf einem einzelnen Computer verwenden?
Wie können Sie überwachen, wie viel GPU-Speicher verbraucht wird?
Warum funktioniert meine CUDA-GPU mit meinen ArcGIS-Deep-Learning-Werkzeugen nicht?
Wie kann ich die Ausführung der Inferenzwerkzeuge beschleunigen?
Woher weiß ich nach dem Trainieren, wie gut mein Modell funktioniert hat?
Woher weiß ich nach dem Ausführen der Inferenzwerkzeuge, wie gut mein Modell funktioniert hat?
Welche Bibliotheksversionen sind für ArcGIS Pro erforderlich?
Welche Lizenz benötige ich für die Deep-Learning-Werkzeuge?
Für alle Deep-Learning-Geoverarbeitungswerkzeuge und einige Deep-Learning-Werkzeuge auf der Registerkarte Bilddaten (beispielsweise der Bereich Objekte für Deep Learning beschriften und der Bereich Überprüfen des Deep-Learning-Modells) ist die Erweiterung "ArcGIS Image Analyst" erforderlich. Für den Assistenten Deep-Learning-Modell trainieren und das Werkzeug Features extrahieren werden die Erweiterung "ArcGIS Image Analyst" und die ArcGIS Pro Advanced-Lizenz benötigt. Einige Werkzeuge sind auch in der Erweiterung "ArcGIS Spatial Analyst" verfügbar.
Sowohl das Toolset "Klassifizierung (Deep Learning)" als auch das Toolset "Objekterkennung (Deep Learning)" erfordern die Erweiterung "ArcGIS 3D Analyst".
Für das interaktive Objekterkennungswerkzeug für Bilddaten in einer 3D-Szene ist entweder eine ArcGIS Pro Advanced-Lizenz oder die Erweiterung "ArcGIS Image Analyst" erforderlich.
Muss ich alle Deep-Learning-Bibliotheken installieren, um die Deep-Learning-Werkzeuge ausführen zu können?
Ja, folgen Sie dazu den Anweisungen unter Installieren von Deep-Learning-Frameworks für ArcGIS.
Ich habe andere Versionen von Deep-Learning-Bibliotheken installiert. Funktionieren sie mit der aktuellen Version von ArcGIS Pro?
Nein, jede Version von ArcGIS Pro erfordert eine bestimmte Version der Deep-Learning-Bibliotheken. Sie müssen vorhandene Pakete und Bibliotheken deinstallieren und die in den Installationsanweisungen aufgeführten Versionen installieren.
Welche GPU-Anforderungen sind für die Ausführung von Deep-Learning-Werkzeugen zu erfüllen?
|
Element |
Unterstützt und empfohlen |
|---|---|
|
GPU-Typ |
NVIDIA-GPU mit CUDA-Compute Capability, Mindestversion 5.0; empfohlene Version 6.1 oder höher. Informationen zur Compute Capability von GPUs finden Sie in der Liste der CUDA-fähigen Karten sowie unter System Requirements Checker im Abschnitt "CUDA Compute". |
|
GPU-Treiber |
NVIDIA-GPU-Treiber: Es ist mindestens Version 527.41 erforderlich. |
|
Dedizierter Grafikspeicher |
Minimum: 6 GB |
|
Empfohlen: mindestens 16 GB |
|
|
Die Speicheranforderungen hängen von der Modellarchitektur und der verwendeten Batch-Größe ab. |
Können Geoverarbeitungswerkzeuge mehrere GPUs auf einem einzelnen Computer verwenden?
Ja. Geoverarbeitungswerkzeuge, die die GPU-ID-Umgebung berücksichtigen, können eine bestimmte GPU oder auch mehrere GPUs verwenden. Damit alle verfügbaren GPUs verwendet werden, lassen Sie das Textfeld GPU-ID leer.
Welche Werkzeuge unterstützen mehrere GPUs?
Es gibt mehrere Geoverarbeitungswerkzeuge, die mehrere GPUs auf einem einzelnen Computer verwenden können:
Die ArcGIS Image Analyst-Inferenzwerkzeuge, wie zum Beispiel: Objekte mit Deep Learning klassifizieren, Pixel mit Deep Learning klassifizieren, Veränderungen mit Deep Learning erkennen und Objekte mit Deep Learning erkennen.
Die arcgis.learn-Modelle für das Trainieren von Deep-Learning-Modellen.
Welche Rolle spielt die CPU, wenn eine GPU zum Trainieren eines Deep-Learning-Modells verwendet wird?
Während die GPU hauptsächlich für das eigentliche Modelltraining verantwortlich ist, spielt die CPU eine wichtige unterstützende Rolle; sie übernimmt Tasks wie das Laden von Daten, die Vorverarbeitung und die Datenerweiterung. In einigen Fällen, z. B. bei der Verwendung bestimmter Frameworks oder Betriebssysteme, kann die CPU zu einem begrenzenden Faktor werden. Dies kann sich auf die Trainingsgeschwindigkeit auswirken, insbesondere bei der Arbeit mit großen Datasets oder komplexen Datentransformationen. Die Datenerweiterung kann bei der Verwendung großer Bildausschnitte eine erhebliche CPU-Auslastung verursachen. Wenn bei einem Training keine Datenerweiterung erforderlich ist, kann die Performance optimiert werden, indem Sie die Einstellung auf Keine festlegen.
Ich habe eine ältere GPU, die nicht mit der Software kompatibel ist, bzw. ich habe wenig GPU-Speicher zur Verfügung. Welche Anforderungen müssen erfüllt werden?
Wenn Ihnen die erforderlichen 4- bis 8-GB-VRAM nicht zur Verfügung stehen, können Sie die meisten dieser Werkzeuge auf der CPU ausführen, wodurch sich allerdings die Verarbeitungszeit verlängert.
Das Werkzeug Objekte mithilfe des trainierten Modells in Punktwolke erkennen und das Werkzeug Punktwolken-Objekterkennungsmodell trainieren unterstützen die CPU-Verarbeitung nicht. Sie können nur auf der GPU ausgeführt werden. Diese Werkzeuge geben eine Fehlermeldung zurück, wenn die CPU als Prozessortyp angegeben ist.
Wie können Sie überwachen, wie viel GPU-Speicher verbraucht wird?
Verwenden Sie das Befehlszeilenprogramm nvidia-smi, das mit NVIDIA-Treibern installiert wird.
Öffnen Sie ein Windows-Eingabeaufforderungsfenster.
Geben Sie nvidia-smi ein.
Drücken Sie die Eingabetaste.
Hinweis:
Wenn
nvidia-sminicht gefunden wird, müssen Sie im Eingabeaufforderungsfenster zum richtigen Verzeichnis wechseln, bevor Sie den Befehl ausführen. Verwenden Sie die Windows-Suchleiste, umnvidia-smizu finden.
Unter GPU-Speichernutzung können Sie feststellen, ob der GPU-Speicher in Anspruch genommen wird.
Um die kontinuierliche Nutzung Ihrer GPU während der Ausführung der Werkzeuge zu überwachen, können Sie nvidia-smi -l 10 ausführen. Dies ermöglicht Ihnen, die für die Ausführung der Deep-Learning-Werkzeuge erforderliche Batch-Größe zu bestimmen. Wenn Sie bemerken, dass nicht genutzter Speicher vorhanden ist, können Sie die Batch-Größe erhöhen. Wenn Sie bemerken, dass die Speichernutzung maximal ausgeschöpft ist und das Werkzeug nicht ausgeführt werden kann, sollten Sie die Batch-Größe verringern.
Warum funktioniert meine CUDA-GPU mit meinen ArcGIS-Deep-Learning-Werkzeugen nicht?
Hierfür gibt es verschiedene mögliche Ursachen:
Ein GPU-Treiber, der nicht auf dem aktuellen Stand ist, führt dazu, dass Deep-Learning-Werkzeuge mit einem Runtime-Fehler fehlschlagen. Gemeldet wird, dass CUDA nicht installiert ist oder dass eine nicht unterstützte Werkzeugverkettung vorhanden ist. Vergewissern Sie sich, dass Ihre GPU-Treiber von NVIDIA aktuell sind.
ArcGIS Pro erfordert eine GPU mit Maxwell-CUDA-Architektur oder neuer; ältere GPUs werden nicht unterstützt. Die Version des CUDA-Toolkits für die einzelnen Versionen von ArcGIS finden Sie im Abschnitt Manifest of included packages der GitHub-Seite Deep Learning Libraries Installers for ArcGIS.
Wie kann ich die Ausführung der Inferenzwerkzeuge beschleunigen?
Wenn die GPU noch nicht verwendet wird, legen Sie den Prozessortyp in den Umgebungseinstellungen des Werkzeugs auf GPU fest. Sie können auch die Batch-Größe erhöhen, um die GPU-Auslastung zu optimieren. Wenn die Batch-Größe zu hoch ist, wird möglicherweise der Fehler CUDA_OUT_MEMORY angezeigt. Experimentieren Sie in einem solchen Fall mit der Batch-Größe, um die richtige Größe für den verwendeten Modus zu finden.
Warum wird bei mir conda or jupyter notebook not recognized as internal or external command angezeigt, wenn ich versuche, die Bibliotheken manuell zu installieren?
Diese Fehler werden möglicherweise angezeigt, wenn Sie die Standard-Windows-Eingabeaufforderung anstelle der Python-Eingabeaufforderung von ArcGIS Pro verwenden. Sie können die Python-Eingabeaufforderung von ArcGIS Pro über das Startmenü aufrufen, indem Sie nach Python Command Prompt suchen. Sie können sie aber auch im Installationsverzeichnis von ArcGIS Pro finden. Mit der Python-Eingabeaufforderung von ArcGIS Pro können Sie auf die Standardwerkzeuge und -bibliotheken zugreifen, die in Conda oder Jupyter bereitgestellt werden.
Wie gehe ich vor, wenn bei der manuellen Installation von Bibliotheken ein fehlerhaftes Conda-Paket gemeldet oder ein Validierungsfehler angezeigt wird?
Bereinigen Sie den lokalen Cache mit dem Befehl conda clean –t.
Woher weiß ich nach dem Trainieren, wie gut mein Modell funktioniert hat?
Der Ausgabeordner für das trainierte Modell enthält die Datei model_metrics.html. Diese Datei enthält Informationen über das trainierte Modell, darunter die Lernrate, den Trainings- und Validierungsverlust und den durchschnittlichen Precision-Score.
Woher weiß ich nach dem Ausführen der Inferenzwerkzeuge, wie gut mein Modell funktioniert hat?
Es gibt verschiedene Methoden, die Ergebnisse Ihrer Deep-Learning-Modelle zu überprüfen. Weitere Informationen finden Sie unter Überprüfen der Ergebnisse .
Welche Bibliotheksversionen sind für ArcGIS Pro 3.6 erforderlich?
Die aktuelle Liste der erforderlichen Bibliotheken finden Sie auf der GitHub-Seite Deep Learning Libraries Installers for ArcGIS. Die erforderlichen Bibliotheksversionen für frühere Versionen von ArcGIS Pro sind in den für die jeweilige Version geltenden Anweisungen zur manuellen Installation (PDF) aufgeführt.