Pixel mit Deep Learning klassifizieren (Raster Analysis Tools)
Zusammenfassung
Führt ein trainiertes Deep-Learning-Modell für ein Eingabebild aus und erzeugt ein klassifiziertes Raster, das als gehosteter Bilddaten-Layer in Ihrem Portal veröffentlicht wird.
Abbildung
Verwendung
Die Python-Umgebung des RA-Servers (Raster-Analyse) muss mit der passenden Deep-Learning-Python-API wie CNTK oder einer vergleichbaren Anwendung konfiguriert werden.
Wenn dieses Werkzeug ausgeführt wird, ruft der RA-Server eine Deep-Learning-Python-API eines Drittanbieters (wie CNTK) auf und verwendet zum Verarbeiten der einzelnen Raster-Kacheln die angegebene Python-Raster-Funktion.
Das Eingabemodell dieses Werkzeugs übernimmt nur ein Deep-Learning-Paketelement (.dlpk) aus dem Portal.
Nachdem das Eingabemodell ausgewählt oder angegeben wurde, ruft das Werkzeug die Modellargumentinformationen vom RA-Server ab. Das Werkzeug kann diese Informationen möglicherweise nicht abrufen, wenn das Eingabemodell ungültig ist oder der RA-Server nicht ordnungsgemäß mit dem Deep-Learning-Framework konfiguriert wurde.
Das zu klassifizierende Eingabebild. Hierbei kann es sich um die URL für einen Image-Service, einen Raster-Layer, einen Kartenserver-Layer oder einen gekachelten Internet-Layer handeln.
Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
Eingabemodell
Die Eingabe ist eine URL eines Deep-Learning-Paketelements (.dlpk). Sie enthält den Pfad zur binären Datei des Deep-Learning-Modells, den Pfad zu der zu verwendenden Python-Raster-Funktion sowie andere Parameter wie etwa die bevorzugte Kachelgröße oder den bevorzugten Abstand.
File
Ausgabename
Der Name des Image-Service der klassifizierten Pixel.
String
Modellargumente
(Optional)
Die Funktionsargumente werden in der Python-Raster-Funktionsklasse definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Experimente und Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an. Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls im RA-Server aufgefüllt.
Spalten der Wertetabelle:
Name—The name of the function argument.
Value—The value of the function argument.
Value Table
Verarbeitungsmodus
(Optional)
Legt fest, wie alle Raster-Elemente in einem Mosaik-Dataset oder Image-Service verarbeitet werden. Dieser Parameter findet Anwendung, wenn es sich beim Eingabe-Raster um ein Mosaik-Dataset oder einen Image-Service handelt.
Als mosaikiertes Bild verarbeiten—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung.
Alle Raster-Elemente separat verarbeiten—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden als separate Bilder verarbeitet.
Das zu klassifizierende Eingabebild. Hierbei kann es sich um die URL für einen Image-Service, einen Raster-Layer, einen Kartenserver-Layer oder einen gekachelten Internet-Layer handeln.
Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
inputModel
Die Eingabe ist eine URL eines Deep-Learning-Paketelements (.dlpk). Sie enthält den Pfad zur binären Datei des Deep-Learning-Modells, den Pfad zu der zu verwendenden Python-Raster-Funktion sowie andere Parameter wie etwa die bevorzugte Kachelgröße oder den bevorzugten Abstand.
File
outputName
Der Name des Image-Service der klassifizierten Pixel.
String
modelArguments[modelArguments,...]
(Optional)
Die Funktionsargumente werden in der Python-Raster-Funktionsklasse definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Experimente und Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an. Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls im RA-Server aufgefüllt.
Spalten der Wertetabelle:
Name—The name of the function argument.
Value—The value of the function argument.
Value Table
processingMode
(Optional)
Legt fest, wie alle Raster-Elemente in einem Mosaik-Dataset oder Image-Service verarbeitet werden. Dieser Parameter findet Anwendung, wenn es sich beim Eingabe-Raster um ein Mosaik-Dataset oder einen Image-Service handelt.
PROCESS_AS_MOSAICKED_IMAGE—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung.
PROCESS_ITEMS_SEPARATELY—Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden als separate Bilder verarbeitet.
String
Abgeleitete Ausgabe
Name
Erläuterung
Datentyp
outRaster
Das Ausgabe-Raster-Dataset.
Raster Layer
Codebeispiel
ClassifyPixelsUsingDeepLearning: Beispiel 1 (Python-Fenster)
In diesem Beispiel wird ein Raster basierend auf eine benutzerdefinierten Pixel-Klassifizierung mithilfe von Deep Learning in einer Raster-Analyse-Bereitstellung klassifiziert und das Raster als gehosteter Bilddaten-Layer im Portal veröffentlicht.
ClassifyPixelsUsingDeepLearning: Beispiel 2 (eigenständiges Skript)
In diesem Beispiel wird ein Raster basierend auf eine benutzerdefinierten Pixel-Klassifizierung mithilfe von Deep Learning in einer Raster-Analyse-Bereitstellung klassifiziert und das Raster als gehosteter Bilddaten-Layer im Portal veröffentlicht.
#---------------------------------------------------------------------------
# Name: ClassifyPixelsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/ landclassification/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "classifiedLand"
modelArgs = "padding 0"
# Run Classified Pixels Using raster analysis tool
arcpy.ra.ClassifyPixelsUsingDeepLearning(inImage, inModel, outName, modelArgs)
