Embeddings mit KI-Modellen generieren (GeoAI Tools)

Zusammenfassung

Generiert mithilfe von grundlegenden Modellen semantische Embeddings für Geodaten. Das Werkzeug wandelt Eingabedaten wie Bilder und geographische Positionen in Vektor-Embeddings um, die semantische Bedeutungen erfassen. Diese Embeddings können anschließend in flussabwärts liegenden Werkzeugen und Workflows für Embeddings in ArcGIS Pro verwendet werden, beispielsweise bei der Ähnlichkeitssuche, der Änderungserkennung und der Suche nach Features anhand einer Beschreibung.

Verwendung

Für dieses Werkzeug müssen Deep-Learning-Frameworks installiert sein. Informationen zum Einrichten des Computers für Deep-Learning-Frameworks in ArcGIS Pro finden Sie unter Installieren von Deep-Learning-Frameworks for ArcGIS.

Dieses Werkzeug erfordert eine Modelldefinitionsdatei, die Informationen zum Modell enthält. Bei dem Parameterwert Eingabe-Modelldefinitionsdatei kann es sich um eine Esri Modelldefinitionsdatei als JSON (.emd) oder ein Deep-Learning-Modellpaket (.dlpk) handeln. Die Modelldateien können lokal gespeichert oder im ArcGIS Living Atlas of the World gehostet werden.
This tool supports the use of third-party models created using the model extensibility feature. This feature enables tasks—Mithilfe dieses Features können für Tasks – z. B. Generieren von Embeddings für Positionen, Text, Bilder usw. – benutzerdefinierte Deep-Learning-Modelle verwendet werden, die nicht mit von ArcGIS Pro unterstützten Werkzeugen trainiert wurden. Weitere Informationen zum Erstellen einer Datei für ein benutzerdefiniertes Deep-Learning-Modell finden Sie unter Verwenden von Sprachmodellen von Drittanbietern mit ArcGIS.
Dieses Werkzeug kann in einer CPU oder einem Grafikprozessor ausgeführt werden. Deep Learning ist jedoch rechenintensiv, sodass ein Grafikprozessor empfohlen wird. Um dieses Werkzeug mithilfe einer GPU auszuführen, legen Sie die Umgebung für den Prozessortyp auf GPU fest. Bei mehr als einer GPU geben Sie stattdessen die Umgebung GPU-ID an.
Weitere Informationen zu den Voraussetzungen für die Ausführung dieses Werkzeugs und eventuell dabei auftretenden Problemen finden Sie unter Häufig gestellte Fragen zu Deep Learning.

Beschriftung	Erläuterung	Datentyp
Eingabe-Feature-Class oder Eingabe-Raster	Ein Eingabe-Raster-Bilddaten- oder Eingabe-Positions-Feature-Layer, für den Embeddings generiert werden.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Feature Layer; Feature Class
Ausgabe-Embeddings-Feature-Class	Die Ausgabe-Embeddings-Feature-Class, in der die generierten Embeddings in einem Embedding-Format gespeichert werden, das mit Esri kompatibel ist.	Feature Class
Eingabe-Modelldefinitionsdatei	Das Basismodell, das zur Berechnung von Embeddings verwendet wird. Das Modell bestimmt die semantische Repräsentation der unverarbeiteten Daten.	File
Argumente (Optional)	Zusätzliche Argumente, die vom Modell beim Ausführen von Inferenzen verwendet werden. Spalten der Wertetabelle: Gittergröße—Dies ist ein Modellargument, das die Gittergröße des Embedding für Raster-Eingaben definiert. Pro Gittergröße des Embedding wird ein Embedding generiert, das die angegebene Fläche in Metern abdeckt. Textfeld—Feldname, dessen Werte beim Generieren von Text-Embeddings in Embeddings umgewandelt werden.	Value Table

arcpy.geoai.GenerateEmbeddingsUsingAIModels(in_data, out_embeddings_feature_class, in_model_definition_file, {arguments})

Name	Erläuterung	Datentyp
in_data	Ein Eingabe-Raster-Bilddaten- oder Eingabe-Positions-Feature-Layer, für den Embeddings generiert werden.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Feature Layer; Feature Class
out_embeddings_feature_class	Die Ausgabe-Embeddings-Feature-Class, in der die generierten Embeddings in einem Embedding-Format gespeichert werden, das mit Esri kompatibel ist.	Feature Class
in_model_definition_file	Das Basismodell, das zur Berechnung von Embeddings verwendet wird. Das Modell bestimmt die semantische Repräsentation der unverarbeiteten Daten.	File
arguments [arguments,...] (Optional)	Zusätzliche Argumente, die vom Modell beim Ausführen von Inferenzen verwendet werden. Spalten der Wertetabelle: `grid_size`—Dies ist ein Modellargument, das die Gittergröße des Embedding für Raster-Eingaben definiert. Pro Gittergröße des Embedding wird ein Embedding generiert, das die angegebene Fläche in Metern abdeckt. `text_field`—Feldname, dessen Werte beim Generieren von Text-Embeddings in Embeddings umgewandelt werden.	Value Table

Codebeispiel

GenerateEmbeddingsUsingAIModels: Beispiel (eigenständiges Skript)

Im folgenden Beispiel wird veranschaulicht, wie die GenerateEmbeddingsUsingAIModels-Funktion verwendet wird.

# Name: GenerateEmbeddingsUsingAIModels.py
# Description: Generates semantic embeddings for geospatial data using foundation models.
#
# Requirements: ArcGIS Pro Advanced license for generating location or textual embeddings and Image Analyst license for generating image embeddings

# Import system modules
import arcpy

# Set local variables
in_data = "C:/data/residential_area.tif"
out_embeddings_feature_class = "C:/project/GenerateEMbeddings.gdb/generated_embeddings"
in_model_definition_file = "C:/project/models/dinoV2.dlpk"

# Run GenerateEmbeddingsUsingAIModels
arcpy.geoai.GenerateEmbeddingsUsingAIModels(in_data, out_embeddings_feature_class, in_model_definition_file)

Umgebungen

Ausdehnung, Prozessortyp, GPU-ID, Faktor für parallele Verarbeitung

Lizenzierungsinformationen