Punktwolken-Objekterkennungsmodell trainieren (3D Analyst Tools)

Zusammenfassung

Trainiert ein Objekterkennungsmodell für Punktwolken mithilfe von Deep Learning.

Verwendung

• Dieses Werkzeug erfordert die Installation von Deep Learning Essentials, das mehrere neuronale Netzwerklösungen mit neuronalen Architekturen für die Klassifizierung von Punktwolken bietet.

  Informationen zum Einrichten des Computers für Deep-Learning-Frameworks in ArcGIS Pro finden Sie unter "Installieren von Deep-Learning-Frameworks für ArcGIS".

• Wenn Sie Modelle in einer Umgebung ohne Internetzugang trainieren, finden Sie weitere Informationen unter Zusätzliche Installation für eine Umgebung ohne Internetzugang.

• Der Einsatz eines vortrainierten Modells im Trainingsprozess ist hilfreich. Dies gilt insbesondere, wenn Ihre Zeit, Ihre Daten oder Ihre Rechenressourcen beschränkt sind. Vortrainierte Modelle verringern die Notwendigkeit eines intensiven Trainings und bieten einen zuverlässigen Ausgangspunkt, um schnell ein nützliches Modell zu erstellen. Zum Verwenden eines vortrainierten Modells müssen die neuen Trainingsdaten mit dem vortrainierten Modell kompatibel sein. Dies bedeutet, dass die neuen Trainingsdaten dieselben Attribute und Objektcodes wie die Trainingsdaten aufweisen müssen, aus denen das vortrainierte Modell erstellt wurde. Wenn Objektcodes in den Trainingsdaten nicht mit den Codes im vortrainierten Modell übereinstimmen, müssen die Objektcodes der Trainingsdaten entsprechend neu zugeordnet werden.

• Das Punktwolken-Objekterkennungsmodell kann nur mit einer CUDA-fähigen NVIDIA-Grafikkarte trainiert werden. Wenn die Umgebung "Prozessortyp" nicht auf einen Computer mit CUDA-fähigen Grafikkarten festgelegt ist, wird für das Training die Karte mit der optimalsten Hardware verwendet. Geben Sie andernfalls Grafikkarten an, die in der Umgebungseinstellung "GPU-ID" zugewiesen werden können.

• Die folgenden Kennwerte werden während des Trainingsprozesses gemeldet:

  • Epoch—Die Nummer der Epoche, mit der das Ergebnis verknüpft ist

  • Training Loss—Das Ergebnis der Entropieverlustfunktion, deren Durchschnitt für die Trainingsdaten ermittelt wurde

  • Validation Loss—Das Ergebnis der Entropieverlustfunktion, die bei der Anwendung des in der Epoche mit den Validierungsdaten trainierten Modells bestimmt wurde

  • Average Precision—Der Anteil der Punkte in den Validierungsdaten, die von dem in der Epoche trainierten Modell richtig klassifiziert wurden (True Positives), im Verhältnis zu allen Punkten in den Validierungsdaten

  Ein Modell mit geringem Trainingsverlust, jedoch hohem Validierungsverlust hat eine Überanpassung der Trainingsdaten zum Ergebnis. Dabei erkennt das Modell Muster aus Artefakten in den Trainingsdaten, sodass mit dem Modell keine guten Ergebnisse für die Validierungsdaten erzielt werden. Ein Modell mit hohem Trainingsverlust und hohem Validierungsverlust führt zu einer Unteranpassung der Trainingsdaten. Dadurch werden Muster nicht ausreichend effektiv erlernt, um ein brauchbares Modell zu erzeugen.

  Weitere Informationen zur Ergebnisauswertung beim Trainieren von Punktwolken

• Es wird ein Ordner erstellt, in dem die Kontrollpunktmodelle gespeichert werden. Dabei handelt es sich um Modelle, die am Ende jeder Epoche erstellt werden. Der Ordnername für Kontrollpunkte beginnt mit dem gleichen Namen wie das Modell und endet mit dem Suffix .checkpoints. Er wird im Parameterwert Speicherort des Ausgabemodells gespeichert.

Parameter

• Dialog
• Python

Beschriftung	Erläuterung	Datentyp
Eingabe-Trainingsdaten	Die Trainingsdaten für die Punktwolken-Objekterkennung (*.pcotd-Datei), mit denen das Modell trainiert wird.	File
Speicherort des Ausgabemodells	Ein vorhandener Ordner, in dem das neue Verzeichnis mit dem Deep-Learning-Modell gespeichert wird.	Folder
Name des Ausgabemodells	Der Name der Definitionsdatei des Esri Ausgabemodells (**.emd), des Deep-Learning-Pakets (*.dlpk) und des Verzeichnisses, das erstellt wird, um diese Komponenten zu speichern.	String
Definitionsdatei des vortrainierten Modells (Optional)	Das vortrainierte Objekterkennungsmodell, das optimiert wird. Wird ein vortrainiertes Modell angegeben, müssen die Eingabe-Trainingsdaten dieselben Angaben für Attribute und maximale Anzahl an Punkten aufweisen wie die Trainingsdaten, aus denen das Modell erstellt wurde.	File
Architektur (Optional)	Gibt die Architektur an, die zum Trainieren des Modells verwendet wird. Sparsely Embedded Convolutional Detection—The Sparsely Embedded Convolutional Detection (SECOND) architecture will be used. This is the default. Point Transfomer V3—The Point Transformer V3 architecture will be used.	String
Attributauswahl (Optional)	Gibt die Punktattribute an, die beim Trainieren des Modells zusammen mit den Klassifizierungscodes verwendet werden. Nur die Attribute, die in den Punktwolken-Trainingsdaten vorhanden sind, sind verfügbar. Standardmäßig sind keine zusätzlichen Attribute enthalten. Intensity—The measure of the magnitude of the lidar pulse return will be used. Return Number—The ordinal position of the point obtained from a given lidar pulse will be used. Number of Returns—The total number of lidar returns that were identified as points from the pulse associated with a given point will be used. Red Band—The red band's value from a point cloud with color information will be used. Green Band—The green band's value from a point cloud with color information will be used. Blue Band—The blue band's value from a point cloud with color information will be used. Near Infrared Band—The near infrared band's value from a point cloud with near infrared information will be used. Relative Height—The relative height of each point in relation to a reference surface, which would typically be a bare earth DEM, will be used.	String
Minimale Anzahl an Punkten pro Block (Optional)	Die minimale Anzahl an Punkten, die in einem bestimmten Block vorhanden sein müssen, damit er beim Training des Modells verwendet werden kann. Die Standardeinstellung ist 0.	Long
Objektcodes neu zuordnen (Optional)	Definiert, wie Objektcodes vor dem Training des Deep-Learning-Modells neuen Werten neu zugeordnet werden. Spalten der Wertetabelle: Current Code—The object code value in the training data. Remapped Code—The object code value that the existing code will be changed to.	Value Table
Relevante Objektcodes (Optional)	Die Objektcodes, die zum Filtern der Objekte in den Trainingsdaten verwendet werden. Wenn Objektcodes angegeben werden, werden die nicht enthaltenen Objekte ignoriert.	Long
Nur Blöcke trainieren, die Objekte enthalten (Optional)	Gibt an, ob das Modell nur mit Blöcken trainiert wird, die Objekte enthalten, oder mit allen Blöcken, also auch solchen, die keine Objekte enthalten. Aktiviert—The model will be trained using only blocks that contain objects. The data used for validation will not be modified. Deaktiviert—The model will be trained using all blocks, including those that do not contain objects. This is the default.	Boolean
Objektbeschreibungen (Optional)	Die Beschreibungen für jeden Objektcode in den Trainingsdaten. Spalten der Wertetabelle: Object Code—The object code value that was learned by the model. Description—The object described by the class code.	Value Table
Kriterien für die Modellauswahl (Optional)	Gibt die statistische Grundlage für die Bestimmung des finalen Modells an. Validation Loss—The model that achieves the lowest result when the entropy loss function is applied to the validation data will be used. Average Precision—The model that achieves the highest ratio of points in the validation data that were correctly classified by the model trained in the epoch (true positives) over all the points in the validation data will be used. This is the default.	String
Maximale Anzahl an Epochen (Optional)	Die Angabe, wie oft jeder Datenblock einmal vorwärts und einmal rückwärts durch das neuronale Netz geleitet wird. Der Standardwert ist 25.	Long
Lernratenstrategie (Optional)	Gibt an, wie die Lernrate während des Trainings geändert wird. One Cycle Learning Rate—The learning rate will be cycled throughout each epoch using Fast.AI's implementation of the 1cycle technique for training neural networks to help improve the training of a convolutional neural network. This is the default. Fixed Learning Rate—The same learning rate will be used throughout the training process.	String
Lernrate (Optional)	Die Rate, mit der vorhandene Informationen durch neu erworbene Informationen überschrieben werden. Ist kein Wert angegeben, wird die optimale Lernrate während des Trainingsprozesses aus der Lernkurve extrahiert. Dies ist die Standardeinstellung.	Double
Batch-Größe (Optional)	Die Anzahl der Trainingsdatenblöcke, die zu einem bestimmten Zeitpunkt verarbeitet werden. Die Standardeinstellung ist 2.	Long
Training beenden, wenn sich das Modell nicht mehr verbessert (Optional)	Gibt an, ob das Modelltraining beendet wird, wenn der im Parameterwert Kriterien für die Modellauswahl angegebene Kennwert nach fünf aufeinanderfolgenden Epochen keine weitere Verbesserung registriert. Aktiviert—The model training will stop when the model is no longer improving. Deaktiviert—The model training will continue until the maximum number of epochs has been reached. This is the default.	Boolean
Architektureinstellungen (Optional)	Die Architektureinstellungen können geändert werden, um die Trainingsergebnisse zu verbessern. Spalten der Wertetabelle: Option—The architecture-specific options that can be modified. Voxel Width—The x- and y-dimensions of the voxel used during training. The corresponding value is in linear units of meters and can be expressed as a double value. Voxel Height—The z-dimension of the voxel used during training. The corresponding value is in linear units of meters and can be expressed as a double value. Voxel Point Limit—The number of points in a given voxel. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during the training process based on the block size and block point limit of the training data. Maximum Training Voxels—The maximum number of voxels that can be used in the training data. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during training. Maximum Validation Voxels—The maximum number of voxels that can be used in the validation data. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during training. Value—The value that corresponds with the option being modified.	Value Table

Abgeleitete Ausgabe

Beschriftung	Erläuterung	Datentyp
Ausgabemodell	Das Ausgabe-Objekterkennungsmodell, das erzeugt wird.	File
Ausgabe-Epochen-Statistik	Die Ausgabe-ASCII-Tabelle, die die Epochenstatistiken enthält, die während des Trainingsprozesses abgerufen wurden.	Text File

Umgebungen

GPU-ID, Prozessortyp

Lizenzierungsinformationen

• Basic: Erfordert 3D Analyst
• Standard: Erfordert 3D Analyst
• Advanced: Erfordert 3D Analyst

Verwandte Themen

• Überblick über das Toolset "Punktwolke"
• Suchen eines Geoverarbeitungswerkzeugs
• Punktwolken-Trainingsdaten vorbereiten
• Erkennen von Objekten in Punktwolke mithilfe des trainierten Modells