Generate Embeddings Using AI Models (Générer des intégrations à l’aide de modèles d’IA) (Outils GeoAI)

Résumé

Génère des intégrations sémantiques pour les données géospatiales à l’aide de modèles de fondation. L’outil convertit les données en entrée, telles que les images et les localisations géographiques, en embeddings vectoriels qui capturent la signification sémantique. Ces embeddings peuvent ensuite être utilisés dans des outils et des processus en aval basés sur des embeddings dans ArcGIS Pro, tels que la recherche de similarité, la détection des changements et la recherche des entités par description.

Utilisation

Cet outil requiert l’installation des structures de Deep Learning. 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.

Cet outil nécessite un fichier de définition de modèle contenant des informations de modèle. La valeur du paramètre Input Model Definition File (Fichier de définition du modèle en entrée) peut être un fichier JSON de définition de modèle Esri (.emd) ou un paquetage de modèle de Deep Learning (.dlpk). Les fichiers de modèle peuvent être stockés localement ou hébergés sur ArcGIS Living Atlas of the World.
This tool supports the use of third-party models created using the model extensibility feature. This feature enables tasks—(génération d’embeddings pour des localisations, des textes, des images, etc.), à l’aide de modèles de Deep Learning personnalisés qui n’ont pas été entraînés avec des outils pris en charge par ArcGIS Pro. Pour en savoir plus sur la création d’un fichier de modèle de Deep Learning personnalisé, reportez-vous à la rubrique Utiliser des modèles de langage tiers avec ArcGIS.
Cet outil peut s’exécuter sur un CPU ou un GPU. Toutefois, le Deep Learning sollicite d’importantes ressources de calcul et un GPU est recommandé. Pour exécuter cet outil avec un GPU, définissez le paramètre d’environnement Type de processeur sur GPU. Si vous avez plusieurs GPU, spécifiez plutôt le paramètre d’environnement ID de GPU.
Pour obtenir des informations sur les exigences relatives à l’exécution de cet outil ainsi que sur les problèmes qui peuvent survenir, reportez-vous à la rubrique Forum aux questions sur le Deep Learning.

Etiqueter	Explication	Type de données
Raster ou classe d’entités en entrée	Couche d’entités de localisation ou d’imagerie raster en entrée pour laquelle des embeddings sont générés.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Feature Layer; Feature Class
Classe d’entités d’embedding en sortie	Classe d’entités des embeddings en sortie qui stocke les embeddings générés dans un format compatible avec les produits Esri.	Feature Class
Fichier de définition de modèle en entrée	Modèle de fondation utilisé pour calculer les embeddings. Le modèle détermine la représentation sémantique des données brutes.	File
Arguments (Facultatif)	Arguments supplémentaires qui seront utilisés par le modèle lors de la réalisation de l’inférence. Colonnes de la table de valeurs : Taille de carroyage—Il s’agit d’un argument de modèle qui définit la taille de la grille d’embedding pour les entrées de raster. Un embedding est généré par taille de grille d’embedding couvrant la surface spécifiée en mètres. Text Field (Champ de texte)—Nom de champ dont les valeurs sont converties en embeddings lors de la génération des embeddings de texte.	Value Table

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

Nom	Explication	Type de données
in_data	Couche d’entités de localisation ou d’imagerie raster en entrée pour laquelle des embeddings sont générés.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; Feature Layer; Feature Class
out_embeddings_feature_class	Classe d’entités des embeddings en sortie qui stocke les embeddings générés dans un format compatible avec les produits Esri.	Feature Class
in_model_definition_file	Modèle de fondation utilisé pour calculer les embeddings. Le modèle détermine la représentation sémantique des données brutes.	File
arguments [arguments,...] (Facultatif)	Arguments supplémentaires qui seront utilisés par le modèle lors de la réalisation de l’inférence. Colonnes de la table de valeurs : `grid_size`—Il s’agit d’un argument de modèle qui définit la taille de la grille d’embedding pour les entrées de raster. Un embedding est généré par taille de grille d’embedding couvrant la surface spécifiée en mètres. `text_field`—Nom de champ dont les valeurs sont converties en embeddings lors de la génération des embeddings de texte.	Value Table

Exemple de code

Exemple d’utilisation de la fonction GenerateEmbeddingsUsingAIModels (script autonome)

L’exemple ci-dessous illustre l’utilisation de la fonction GenerateEmbeddingsUsingAIModels.

# 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)

Environnements

Etendue, Type de processeur, ID GPU, Facteur de traitement parallèle

Informations de licence