Entraîner le modèle de détection d’objets dans les nuages de points (Outils 3D Analyst)

Résumé

Entraîne un modèle de détection d’objets pour les nuages de points à l’aide du Deep Learning.

Utilisation

• Cet outil requiert l’installation de Deep Learning Essentials, qui offre plusieurs solutions de réseau neuronal incluant des architectures neuronales permettant de classer les nuages de points.

  Pour configurer votre machine afin d’utiliser des structures de Deep Learning dans ArcGIS Pro, consultez la rubrique Installer les structures de Deep Learning pour ArcGIS.

• Si vous entraînez des modèles dans un environnement déconnecté, voir Composants supplémentaires à installer dans les environnements déconnectés pour plus d’informations.

• L’utilisation d’un modèle pré-entraîné dans le processus d’entraînement est intéressante, en particulier lorsque vous avez des limitations en termes de données, de temps ou de ressources de calcul. Les modèles pré-entraînés réduisent la nécessité d’un entraînement complet et fournissent un point de départ fiable pour créer rapidement un modèle utile. Pour utiliser un modèle pré-entraîné, les nouvelles données d’entraînement doivent être compatibles. Cela signifie que les nouvelles données d’entraînement doivent avoir les mêmes attributs et codes d’objet que celles qui ont permis de créer le modèle pré-entraîné. Si les codes d’objet dans les données d’entraînement ne correspondent pas à ceux du modèle pré-entraîné, les codes d’objet des données d’entraînement doivent être réappariés.

• Le modèle de détection d’objets dans les nuages de points peut uniquement être entraîné à l’aide d’une carte graphique NVIDIA compatible CUDA. Lorsque l’environnement Type de processeur n’est pas défini sur un ordinateur doté d’une carte graphique compatible CUDA, la carte présentant le matériel le mieux adapté servira pour l’entraînement. Sinon, une carte graphique spécifique peut être attribuée dans le paramètre d’environnement ID GPU.

• Les métriques suivantes seront signalées au cours de l’entraînement :

  • Epoch—Numéro d’époque auquel le résultat est associé

  • Training Loss—Résultat de la fonction de perte d’entropie dont la moyenne a été calculée pour les données d’entraînement

  • Validation Loss—Résultat de la fonction de perte d’entropie qui a été déterminée lors de l’application du modèle entraîné dans l’époque sur les données de validation

  • Average Precision—Ratio de points dans les données de validation qui ont été correctement classés par le modèle entraîné dans l’époque (vrais positifs) par rapport à tous les points dans les données de validation

  Un modèle qui atteint une perte d’entraînement faible, mais une perte de validation élevée est considéré comme étant en état de sur-ajustement par rapport aux données d’entraînement : il détecte les modèles des artefacts dans les données d’entraînement. En conséquence, le modèle ne fonctionne pas bien pour les données de validation. Un modèle qui atteint une perte d’entraînement élevée et une perte de validation élevée est considéré comme étant en état de sous-ajustement par rapport aux données d’entraînement : aucun modèle n’est appris assez efficacement pour produire un modèle utilisable.

  En savoir plus sur l’évaluation des résultats d’entraînement du nuage de points

• Un dossier permettant de stocker les modèles des points de contrôle (modèles créés à la fin de chaque époque) est créé. Le nom du dossier des points de contrôle commence par le même nom que celui du modèle et se termine par le suffixe .checkpoints. Il est stocké dans la valeur du paramètre Output Model Location (Localisation du modèle en sortie).

Paramètres

• Dialog
• Python

Etiqueter	Explication	Type de données
Données d’entraînement en entrée	Données d’entraînement de détection d’objets dans les nuages de points (fichier *.pcotd) qui seront utilisées pour entraîner le modèle.	File
Output Model Location (Localisation du modèle en sortie)	Dossier existant qui stocke le nouveau répertoire contenant le modèle de Deep Learning.	Folder
Output Model Name (Nom du modèle en sortie)	Nom du fichier de définition de modèle Esri en sortie (.emd), package Deep Learning (.dlpk) et répertoire créé pour les stocker.	String
Fichier de définition du modèle pré-entraîné (Facultatif)	Modèle de détection d’objets pré-entraîné qui sera affiné. Lorsqu’un modèle pré-entraîné est fourni, les données d’entraînement en entrée doivent avoir les mêmes attributs et nombre maximal de points que ceux utilisés par les données d’entraînement qui ont permis de générer le modèle.	File
Architecture (Facultatif)	Déterminer l’architecture qui sera utilisée pour entraîner le modèle. 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
Attribute Selection (Sélection des attributs) (Facultatif)	Indique les attributs ponctuels qui seront utilisés avec le code de classification lors de l’entraînement du modèle. Seuls les attributs présents dans les données d’entraînement du nuage de points sont disponibles. Aucun attribut supplémentaire n’est inclus par défaut. 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
Minimum Points Per Block (Nombre minimal de points par bloc) (Facultatif)	Nombre minimal de points qui doivent être présents dans un bloc donné pour que ce dernier puisse être utilisé lors de l’entraînement du modèle. La valeur par défaut est 0.	Long
Réapparier les codes d’objet (Facultatif)	Détermine la façon dont les codes d’objet seront réappariés aux nouvelles valeurs avant d’entraîner le modèle de Deep Learning. Colonnes de la table de valeurs : 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
Codes d’objet d’intérêt (Facultatif)	Codes d’objet qui serviront à filtrer les objets dans les données d’entraînement. Lorsque des codes d’objet sont fournis, les objets qui ne sont pas inclus sont ignorés.	Long
Uniquement les blocs d’entraînement qui contiennent des objets (Facultatif)	Indique si le modèle sera entraîné avec uniquement les blocs contenant des objets ou avec tous les blocs, y compris ceux qui ne contiennent pas d’objets. Activé—The model will be trained using only blocks that contain objects. The data used for validation will not be modified. Décoché—The model will be trained using all blocks, including those that do not contain objects. This is the default.	Boolean
Description des objets (Facultatif)	Description de chaque code d’objet dans les données d’entraînement. Colonnes de la table de valeurs : Object Code—The object code value that was learned by the model. Description—The object described by the class code.	Value Table
Critères de sélection du modèle (Facultatif)	Spécifie la base statistique qui servira à déterminer le modèle final. 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
Maximum Number of Epochs (Nombre maximal d’époques) (Facultatif)	Nombre de fois que chaque bloc de données va et vient sur le réseau neuronal. La valeur par défaut est 25.	Long
Learning Rate Strategy (Stratégie de vitesse d’apprentissage) (Facultatif)	Indique la manière dont la vitesse d’apprentissage est modifiée lors de l’entraînement. 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
Learning Rate (Vitesse d’apprentissage) (Facultatif)	Vitesse à laquelle les informations existantes sont remplacées par les nouvelles informations. Si aucune valeur n’est indiquée, la vitesse d’apprentissage optimale est extraite de la courbe d’apprentissage lors du processus d’entraînement. Il s’agit de l’option par défaut.	Double
Batch Size (Taille de lot) (Facultatif)	Nombre de blocs de données d’entraînement traités à tout moment. La valeur par défaut est 2.	Long
Stop training when model no longer improves (Terminer l’entraînement lorsque le modèle ne s’améliore plus) (Facultatif)	Indique si l’entraînement du modèle doit ou non s’arrêter lorsque la mesure spécifiée pour la valeur du paramètre Model Selection Criteria (Critères de sélection du modèle) n’enregistre aucune amélioration après cinq époques consécutives. Activé—The model training will stop when the model is no longer improving. Décoché—The model training will continue until the maximum number of epochs has been reached. This is the default.	Boolean
Paramètres d’architecture (Facultatif)	Paramètres d’architecture pouvant être modifiés en vue d’améliorer les résultats d’entraînement. Colonnes de la table de valeurs : 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

Sortie dérivée

Etiqueter	Explication	Type de données
Modèle en sortie	Modèle de détection d’objets en sortie qui est produit.	File
Output Epoch Statistics (Statistiques des époques en sortie)	Table ASCII en sortie contenant les statistiques d’époque qui ont été générées au cours de l’entraînement.	Text File

Environnements

ID GPU, Type de processeur

Informations de licence

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

Rubriques connexes

• Vue d’ensemble du jeu d’outils Point Cloud (Nuage de points)
• Rechercher un outil de géotraitement
• Préparer les données d’entraînement du nuage de points
• Détecter des objets à partir du nuage de points à l’aide du modèle entraîné