Traducir píxeles con aprendizaje profundo (Herramientas de Image Analyst)
Resumen
Ejecuta un modelo de aprendizaje profundo entrenado para traducir los píxeles de una imagen.
Uso
Esta herramienta se utiliza para traducir píxeles en una imagen utilizando información de modelos de aprendizaje profundo. Algunos ejemplos de conversiones son el aumento de la resolución en píxeles, la conversión de una imagen en escala de grises a una imagen en color, etc.
El tipo de modelo Super-resolution se puede utilizar para aumentar la resolución de la imagen.
El modelo CycleGAN se puede utilizar para realizar conversiones de imágenes, como pasar de escala de grises a colores rojo, verde y azul (RGB).
El tipo de modelo Pix2Pix se puede utilizar para realizar conversiones de imágenes, como de SAR a RGB.
Consulte el ejemplo siguiente para ver un archivo JSON de definición de modelo (.emd).
Archivo JSON de definición de modelo de muestra (*.emd)
Imagen o imágenes ráster de entrada que se van a convertir.
Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder; Feature Layer; Feature Class
Definición de modelo
Ruta al archivo JSON de definición del modelo (*.emd).
File; String
Argumentos
(Opcional)
La información del parámetro Definición de modelo se utilizará para rellenar este parámetro. Estos argumentos varían en función de la arquitectura del modelo. Los siguientes son los argumentos de modelo admitidos para los modelos entrenados en ArcGIS. Los modelos preentrenados de ArcGIS y los modelos de aprendizaje profundo personalizados pueden tener argumentos adicionales compatibles con la herramienta.
batch_size—Número de teselas de imágenes procesadas en cada paso de la inferencia del modelo. Esto depende de la memoria de la tarjeta gráfica. El argumento está disponible para todas las arquitecturas del modelo.
direction—La imagen se convierte de un dominio a otro. Las opciones son AtoB y BtoA. El argumento solo está disponible para la arquitectura CycleGAN. Para obtener información sobre este argumento, consulte [Funcionamiento de CycleGAN] (https://links.esri.com/DevHelp_HowCycleGANWorks).
n_timestep—Número de periodos de tiempo que se utilizarán. El valor predeterminado es 200. Se puede aumentar y disminuir según la calidad de las generaciones. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
padding—Número de píxeles en el borde de las teselas de imágenes desde los cuales se combinarán las predicciones de las teselas adyacentes. Para suavizar la salida a la vez que se reducen los artefactos, aumente el valor. El valor máximo del relleno puede ser la mitad del valor del tamaño de tesela. El argumento está disponible para todas las arquitecturas del modelo.
sampling_type—Tipo de muestreo que se utilizará. Hay disponibles dos tipos de muestreo: ddim (modelos implícitos de eliminación de ruido) y ddpm (modelos probabilísticos de eliminación de ruido). El predeterminado es ddim, que genera resultados en menos intervalos de tiempo en comparación con ddpm. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
schedule—Tipo de programación de la tasa de aprendizaje que se utilizará; esta opción se empleará para ajustar la tasa de aprendizaje del modelo mientras este se entrena. La programación predeterminada es la misma que la del modelo en el que se entrenó. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
tile_size—Ancho y altura de las teselas de imagen en las que se subdividirán las imágenes para la predicción. El argumento solo está disponible para la arquitectura CycleGAN.
Columnas de la tabla de valores:
Nombre—El nombre del argumento de la función.
Valor—El valor del argumento de la función.
Value Table
Modo de procesamiento
Especifica cómo se procesarán todos los elementos de ráster en un dataset de mosaico o un servicio de imágenes. Este parámetro se aplica si el ráster de entrada es un dataset de mosaico o un servicio de imágenes.
Procesar como imagen en mosaico—Se creará un mosaico con todos los elementos de ráster del dataset de mosaico o del servicio de imágenes y se procesarán. Esta es la opción predeterminada.
Procesar todos los elementos de ráster por separado—Todos los elementos de ráster del dataset de mosaico o del servicio de imágenes se procesarán como imágenes separadas.
String
Carpeta de salida
(Opcional)
Carpeta en la que se almacenarán los rásteres de salida.
Este parámetro es obligatorio si el ráster de entrada es una carpeta de imágenes o un dataset de mosaico en el que se procesarán todos los elementos por separado. El valor predeterminado es una carpeta de la carpeta del proyecto.
Folder
Entidades de salida
(Opcional)
Clase de entidad en la cual se almacenarán los rásteres de salida.
Este parámetro es obligatorio si el ráster de entrada es una clase de entidad de imágenes.
Si la clase de entidad ya existe, los resultados se agregarán a la clase de entidad existente.
Feature Class
Sobrescribir datos adjuntos
(Opcional)
Especifica si los datos adjuntos de la imagen existente se sobrescriben.
Este parámetro solo es válido cuando el valor del parámetro Ráster de entrada es una clase de entidad con adjuntos de imagen.
Activado—La clase de entidad existente se sobrescribirá con los nuevos datos adjuntos actualizados.
Desactivado—Los datos adjuntos de la imagen existente no se sobrescribirán y los datos adjuntos de la imagen nueva se guardarán en una clase de entidad nueva. Cuando se especifica esta opción, el parámetro Entidades de salida debe tener un valor. Esta es la opción predeterminada.
Boolean
Utilizar espacio de píxeles
(Opcional)
Especifica si la inferencia se realizará en imágenes en espacio de píxeles. El espacio de píxeles es el espacio de coordenadas x,y definido por el número de píxeles del área de visualización, como 1024 x 768.
Activado—La inferencia se realizará en el espacio de píxeles y la salida se transformará de nuevo en el espacio de mapa. Esta opción es útil cuando se utilizan imágenes oblicuas o imágenes de callejero, que pueden distorsionar las entidades utilizando el espacio de mapa.
Desactivado—La inferencia se hará en el espacio de mapa. Esta es la opción predeterminada.
Boolean
Valor de retorno
Etiqueta
Explicación
Tipo de datos
Dataset ráster de salida
Nombre del ráster o dataset de mosaico que contiene el resultado.
Imagen o imágenes ráster de entrada que se van a convertir.
Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Folder; Feature Layer; Feature Class
in_model_definition
Ruta al archivo JSON de definición del modelo (*.emd).
File; String
arguments[arguments,...]
(Opcional)
La información del parámetro in_model_definition se utilizará para establecer los valores predeterminados de este parámetro. Estos argumentos varían en función de la arquitectura del modelo. Los siguientes son los argumentos de modelo admitidos para los modelos entrenados en ArcGIS. Los modelos preentrenados de ArcGIS y los modelos de aprendizaje profundo personalizados pueden tener argumentos adicionales compatibles con la herramienta.
batch_size—Número de teselas de imágenes procesadas en cada paso de la inferencia del modelo. Esto depende de la memoria de la tarjeta gráfica. El argumento está disponible para todas las arquitecturas del modelo.
direction—La imagen se convierte de un dominio a otro. Las opciones son AtoB y BtoA. El argumento solo está disponible para la arquitectura CycleGAN. Para obtener información sobre este argumento, consulte Funcionamiento de CycleGAN (https://links.esri.com/DevHelp_HowCycleGANWorks).
n_timestep—Número de periodos de tiempo que se utilizarán. El valor predeterminado es 200. Se puede aumentar y disminuir según la calidad de las generaciones. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
padding—Número de píxeles en el borde de las teselas de imágenes desde los cuales se combinarán las predicciones de las teselas adyacentes. Para suavizar la salida a la vez que se reducen los artefactos, aumente el valor. El valor máximo del relleno puede ser la mitad del valor del tamaño de tesela. El argumento está disponible para todas las arquitecturas del modelo.
sampling_type—Tipo de muestreo que se utilizará. Hay disponibles dos tipos de muestreo: ddim (modelos implícitos de eliminación de ruido) y ddpm (modelos probabilísticos de eliminación de ruido). El predeterminado es ddim, que genera resultados en menos intervalos de tiempo en comparación con ddpm. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
schedule—Tipo de programación de la tasa de aprendizaje que se utilizará; esta opción se empleará para ajustar la tasa de aprendizaje del modelo mientras este se entrena. La programación predeterminada es la misma que la del modelo en el que se entrenó. El argumento solo se admite para la superresolución con arquitectura de modelo de base SR3.
tile_size—Ancho y altura de las teselas de imagen en las que se subdividirán las imágenes para la predicción. El argumento solo está disponible para la arquitectura CycleGAN.
Columnas de la tabla de valores:
Name—El nombre del argumento de la función.
Value—El valor del argumento de la función.
Value Table
processing_mode
Especifica cómo se procesarán todos los elementos de ráster en un dataset de mosaico o un servicio de imágenes. Este parámetro se aplica si el ráster de entrada es un dataset de mosaico o un servicio de imágenes.
PROCESS_AS_MOSAICKED_IMAGE—Se creará un mosaico con todos los elementos de ráster del dataset de mosaico o del servicio de imágenes y se procesarán. Esta es la opción predeterminada.
PROCESS_ITEMS_SEPARATELY—Todos los elementos de ráster del dataset de mosaico o del servicio de imágenes se procesarán como imágenes separadas.
String
out_translated_folder
(Opcional)
Carpeta en la que se almacenarán los rásteres de salida.
Este parámetro es obligatorio si el ráster de entrada es una carpeta de imágenes o un dataset de mosaico en el que se procesarán todos los elementos por separado. El valor predeterminado es una carpeta de la carpeta del proyecto.
Folder
out_featureclass
(Opcional)
Clase de entidad en la cual se almacenarán los rásteres de salida.
Este parámetro es obligatorio si el ráster de entrada es una clase de entidad de imágenes.
Si la clase de entidad ya existe, los resultados se agregarán a la clase de entidad existente.
Feature Class
overwrite_attachments
(Opcional)
Especifica si los datos adjuntos de la imagen existente se sobrescriben.
Este parámetro solo es válido cuando el valor del parámetro in_raster es una clase de entidad con datos adjuntos de imagen.
OVERWRITE—La clase de entidad existente se sobrescribirá con los nuevos datos adjuntos actualizados.
NO_OVERWRITE—Los datos adjuntos de la imagen existente no se sobrescribirán y los datos adjuntos de la imagen nueva se guardarán en una clase de entidad nueva. Cuando se especifica esta opción, el parámetro out_featureclass debe tener un valor. Esta es la opción predeterminada.
Boolean
use_pixelspace
(Opcional)
Especifica si la inferencia se realizará en imágenes en espacio de píxeles. El espacio de píxeles es el espacio de coordenadas x,y definido por el número de píxeles del área de visualización, como 1024 x 768.
PIXELSPACE—La inferencia se realizará en el espacio de píxeles y la salida se transformará de nuevo en el espacio de mapa. Esta opción es útil cuando se utilizan imágenes oblicuas o imágenes de callejero, que pueden distorsionar las entidades utilizando el espacio de mapa.
NO_PIXELSPACE—La inferencia se hará en el espacio de mapa. Esta es la opción predeterminada.
Boolean
Valor de retorno
Nombre
Explicación
Tipo de datos
out_raster
Nombre del ráster o dataset de mosaico que contiene el resultado.
Raster
Muestra de código
Ejemplo 1 de TranslatePixelsUsingDeepLearning (ventana en Python)
Este ejemplo genera una imagen convertida usando un modelo de aprendizaje profundo.