Skip to main content

Clasificar nube de puntos con modelo entrenado (Herramientas de 3D Analyst)

Resumen

Clasifica una nube de puntos con un modelo de aprendizaje profundo.

Uso

  • Esta herramienta requiere la instalación de marcos de aprendizaje profundo.

    Para configurar su equipo para usar marcos de aprendizaje profundo en ArcGIS Pro, consulte Instalar marcos de aprendizaje profundo para ArcGIS.

  • La herramienta clasifica de forma predeterminada todos los puntos de la nube de puntos de entrada. Si alguno de los códigos de clase existentes en la nube de puntos de entrada está clasificado correctamente, excluya esos puntos para que no se modifiquen indicando qué códigos de clase se deben editar o conservar utilizando los parámetros Manejo de códigos de clase existentes y Códigos de clase existentes.

    Más información sobre la clasificación de una nube de puntos con aprendizaje profundo

  • La nube de puntos de entrada debe tener los mismos atributos que los datos de entrenamiento utilizados para desarrollar el modelo de clasificación. Por ejemplo, si el modelo entrenado utilizó el atributo de intensidad, la nube de puntos que se está procesando también debe tener valores de intensidad. La densidad y la distribución de puntos también deben ser similares a los datos utilizados al entrenar el modelo.

  • Si la referencia espacial de la nube de puntos de entrada no utiliza un sistema de coordenadas proyectadas, se puede utilizar el entorno Sistema de coordenadas de salida para definir un sistema de coordenadas proyectadas que se utilizará al clasificar sus puntos.

  • El modelo se entrena para procesar datos de nubes de puntos en bloques de un tamaño particular que contienen un determinado número de puntos y un conjunto dado de atributos. La nube de puntos de entrada se procesa dividiéndola en bloques definidos por el modelo. Se pueden procesar varios bloques en un momento dado. El conjunto de bloques que se procesan juntos se denomina lote. El tamaño del lote controla la cantidad de recursos informáticos que se utilizarán durante la operación de inferencia. Aunque la CPU puede utilizarse para procesar la nube de puntos, la inferencia se ejecuta de forma más eficiente con una GPU NVIDIA con capacidad CUDA. Puede controlar el número de bloques que se procesan simultáneamente para limitar la cantidad de memoria de la GPU que se consume especificando un valor en el parámetro Tamaño de lote. Evite especificar un tamaño de lote que exceda los recursos del equipo. La memoria disponible en la GPU antes y durante la ejecución de la herramienta puede observarse a través de la utilidad de interfaz de administración del sistema (SMI) de NVIDIA. Se trata de una utilidad de línea de comandos que se instala automáticamente con el controlador NVIDIA para su GPU. Esta aplicación realizará un seguimiento del uso de la GPU. Para controlar cuánta memoria queda disponible mientras se ejecuta la herramienta, considere la posibilidad de evaluar un subconjunto de los datos de la nube de puntos con un tamaño de lote pequeño y aumente progresivamente este valor hasta alcanzar el uso deseado. De lo contrario, puede dejar que la herramienta maximice automáticamente el uso de la memoria de la GPU.

  • El parámetro Superficie de referencia es necesario cuando el modelo de entrada se ha entrenado con atributos de altura relativa. La superficie ráster se utiliza como altura de referencia a partir de la cual se interpolan las alturas relativas para cada punto. Esto proporciona información adicional para el modelo que puede utilizarse para diferenciar más fácilmente los objetos. La superficie ráster proporcionada para este parámetro debe representar el mismo tipo de datos que el ráster utilizado en los datos de entrenamiento con los que se creó el modelo. En la mayoría de los casos, se tratará de una trama creada a partir de puntos clasificados sobre el terreno. Se puede generar una superficie ráster a partir de los puntos clasificados del terreno en el dataset LAS aplicando un filtro de terreno y utilizando la herramienta De dataset LAS a ráster. También se puede generar una superficie de suelo a partir de una capa de escena de nube de puntos utilizando la herramienta Nube de puntos a ráster. También se pueden utilizar superficies ráster que no procedan de la nube de puntos de entrada, pero hay que asegurarse de que los valores z del ráster se correspondan adecuadamente con los valores z de la nube de puntos.

  • Si el modelo de entrada se entrenó con puntos de ciertas clases que se excluyeron de los datos de entrenamiento, utilice el parámetro Códigos de clases excluidas para asegurarse de que esos puntos se omitan del conjunto de puntos evaluados por este modelo. Excluir las clases que no proporcionan un contexto útil para los objetivos de un modelo determinado reducirá el número de puntos que se evalúan, lo que mejorará la velocidad de entrenamiento y aplicación del modelo. Por ejemplo, los puntos que representan edificios no suelen tener relevancia para los puntos que representan objetos como semáforos, líneas eléctricas o coches. Los puntos de edificio también se pueden clasificar de forma fiable con la herramienta Clasificar edificios LAS. Si los puntos con clase 6, que representan edificios, se excluyeron de los datos de entrenamiento utilizados para crear el modelo, la nube de puntos de entrada también debe clasificar los puntos de edificios y excluirlos en esta herramienta.

Parámetros

Etiqueta Explicación Tipo de datos

Nube de puntos de destino

La nube de puntos que se clasificará.

LAS Dataset Layer

Definición de modelo de entrada

El archivo de definición de modelo Esri de entrada (*.emd) o el paquete de aprendizaje profundo (*.dlpk) que se usará para clasificar la nube de puntos. También se puede utilizar una URL para un paquete de aprendizaje profundo publicado en ArcGIS Online o ArcGIS Living Atlas.

File; String

Clasificación de destino

Los códigos de clase del modelo entrenado que se usarán para clasificar la nube de puntos de entrada. Todas las clases del modelo de entrada se utilizarán de forma predeterminada a menos que se especifique un subconjunto.

String

Manejo de códigos de clase existentes

(Opcional)

Especifica cómo se definirán los puntos editables de la nube de puntos de entrada.

  • Edit All Points—All points in the input point cloud will be edited. This is the default.

  • Edit Selected Points—Only points with class codes specified in the Existing Class Codes parameter will be edited; all other points will remain unchanged.

  • Preserve Selected Points—Points with class codes specified in the Existing Class Codes parameter will be preserved; the remaining points will be edited.

String

Códigos de clase existentes

(Opcional)

Las clases para las que se editarán los puntos o se conservará su designación de código de clase original en función del valor del parámetro Manejo de códigos de clase existentes.

Long

Calcular estadísticas

(Opcional)

Especifica si se van a calcular las estadísticas para los archivos .las a los que hace referencia el dataset LAS. Calcular estadísticas proporciona un índice espacial para cada archivo .las, lo que mejora el análisis y el rendimiento de visualización. Las estadísticas también mejoran la experiencia de filtrado y simbología al limitar la visualización de los atributos LAS, como los códigos de clasificación y la información de retorno, a los valores presentes en el archivo .las.

  • Activado—Statistics will be computed. This is the default.

  • Desactivado—Statistics will not be computed.

Boolean

Límite de procesamiento

El límite del polígono que define el subconjunto de puntos que se van a procesar de la nube de puntos de entrada. Los puntos que queden fuera de las entidades de límite no se evaluarán.

Feature Layer

Actualizar pirámide

(Opcional)

Especifica si la pirámide del dataset LAS se actualizará después de modificar los códigos de clase.

  • Activado—The LAS dataset pyramid will be updated. This is the default.

  • Desactivado—The LAS dataset pyramid will not be updated.

Boolean

Superficie de referencia

(Opcional)

Superficie ráster que se utilizará para proporcionar valores de altura relativos para cada punto de los datos de nube de puntos. Los puntos que no se solapen con el ráster se omitirán del análisis.

Raster Layer

Códigos de clase excluidos

(Opcional)

Códigos de clase que se excluirán del procesamiento. Se puede especificar cualquier valor del intervalo de 0 a 255.

Long

Tamaño de lote

(Opcional)

El número de bloques de datos de nube de puntos que se procesará simultáneamente durante la operación de inferencia. Generalmente, un tamaño de lote mayor provocará un procesamiento más rápido de los datos, pero evite utilizar un tamaño de lote demasiado grande para los recursos del equipo. Cuando se utiliza la GPU, la memoria disponible en la GPU es la limitación más común del tamaño de lote que puede manipular el equipo. La memoria utilizada por un bloque determinado depende del límite de puntos del bloque del modelo y de los atributos de puntos requeridos. Para conocer la memoria disponible en la GPU y obtener más información sobre la evaluación del uso de la memoria de la GPU, utilice la utilidad de línea de comandos NVIDIA SMI descrita en la sección Usos.

Para determinadas arquitecturas, se calculará un tamaño de lote óptimo si no se especifica ninguno. Cuando se utiliza la GPU, el tamaño de lote óptimo se basará en la cantidad de memoria que consuma un bloque de datos determinado y en la cantidad de memoria de la GPU disponible libremente cuando se ejecute la herramienta. Cuando se utiliza la CPU para la inferencia, cada bloque se procesa en un hilo de la CPU, y se calcula que el tamaño óptimo del lote es la mitad de los hilos de la CPU disponibles y sin utilizar.

Long

Salida derivada

Etiqueta Explicación Tipo de datos

Nube de puntos de salida

La nube de puntos que clasificó el modelo de aprendizaje profundo.

Feature Layer

Entornos

Extensión, Tipo de procesador, Id. de GPU, Sistema de coordenadas de salida, Transformaciones geográficas

Información de licenciamiento

  • Basic: Requiere 3D Analyst
  • Standard: Requiere 3D Analyst
  • Avanzado: Requiere 3D Analyst