Détecter les changements à l’aide du Deep Learning (Outils Image Analyst)

Résumé

Exécute un modèle de Deep Learning entraîné pour détecter les changements entre deux rasters.

Cet outil nécessite un fichier de définition de modèle contenant des informations de modèle entraîné. Le fichier de définition de modèle peut être un fichier JSON de définition de modèle Esri (.emd) ou un paquetage de modèle de Deep Learning et doit contenir le chemin d’accès à la fonction raster Python à appeler pour traiter chaque objet, ainsi que le chemin d’accès au fichier de modèle de Deep Learning binaire entraîné.

Utilisation

Les entrées de cet outil sont deux images : une image dans le passé et une image plus récente. La sortie est un jeu de données raster classé qui montre les changements entre les deux entrées du raster.
Vous devez installer l’API Python de structure de Deep Learning appropriée (par exemple, PyTorch) dans l’environnement Python d’ArcGIS Pro. Autrement, une erreur se produit lorsque vous ajoutez le fichier de définition du modèle Esri à l’outil. Procurez-vous les informations de structure appropriées auprès de l’auteur du fichier de définition du modèle Esri.

Pour configurer votre machine afin d’utiliser des structures de Deep Learning dans ArcGIS Pro, reportez-vous à la rubrique Installer des structures de Deep Learning pour ArcGIS.
Cet outil appelle une API Python de Deep Learning tierce (telle que PyTorch) et utilise la fonction raster Python spécifiée pour traiter chaque objet.
La valeur du paramètre Model Definition (Définition de modèle) peut être un fichier JSON de définition de modèle Esri (.emd), une chaîne JSON ou un paquetage de modèle de Deep Learning (.dlpk). Une chaîne JSON est utile lorsque cet outil est utilisé sur le serveur pour que vous puissiez coller la chaîne JSON au lieu de télécharger le fichier .emd. Le fichier .dlpk doit être stocké localement.
Des paramètres en entrée supplémentaires peuvent être nécessaires, comme la taille des lots miniatures, la taille de la marge intérieure, etc.
Reportez-vous à l’exemple ci-dessous pour exemple de fichier JSON de définition de modèle (.emd).

Exemple de fichier JSON de définition de modèle

<!--```json { "Framework": "", "ModelConfiguration":" ", "ModelFile":"", "InferenceFunction":"", "ModelType":"", "ImageHeight":256, "ImageWidth":256, "ExtractBands":[0,1,2], "CropSizeFixed": 1, "BlackenAroundFeature": 1, "Classes": [ { "Value": 0, "Name": "Building", "Color": [255, 0, 0] } ] }
L’augmentation de la taille du lot peut améliorer les performances de l’outil. Cependant, plus la taille augmente, plus la mémoire utilisée est importante. Si une erreur se produit en raison d’une mémoire insuffisante, utillisez une taille de lot plus petite. La valeur batch_size peut être ajustée à l’aide du paramètre Arguments.
Les tailles de lot correspondent à des carrés tels que 1, 4, 9, 16, 25, 64, etc. Si la valeur en entrée ne correspond pas à un carré parfait, la valeur au carré la plus élevée possible est utilisée. Par exemple, si la valeur 6 est spécifiée, la taille de lot est définie sur 4.
Cet outil prend en charge et utilise plusieurs GPU le cas échéant. Pour utiliser un GPU spécifique, spécifiez l’environnement GPU ID (ID de GPU). Si l’ID de GPU n’est pas défini, l’outil utilise tous les GPU disponibles. Il s’agit de l’option par défaut.

Si l’environnement Processor Type (Type processeur) est défini sur CPU et que l’environnement Parallel Processing Factor (Facteur de traitement parallèle) n’est pas spécifié, l’outil utilise une valeur de 50 % pour Parallel Processing Factor (Facteur de traitement parallèle).

Pour 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.
Pour plus d’informations sur le Deep Learning, reportez-vous à la rubrique Deep Learning à l’aide de l’extension ArcGIS Image Analyst.

Etiqueter	Explication	Type de données
Raster d’origine	Raster en entrée avant la modification.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
Vers raster	Raster en entrée après la modification.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
Raster classé en sortie	Raster classé en sortie qui illustre le changement.	Raster Dataset
Définition de modèle	La valeur du paramètre Model Definition (Définition de modèle) peut être un fichier JSON de définition de modèle Esri (`.emd`), une chaîne JSON ou un paquetage de modèle de Deep Learning (`.dlpk`). Une chaîne JSON est utile lorsque cet outil est utilisé sur le serveur pour que vous puissiez coller la chaîne JSON au lieu de télécharger le fichier `.emd`. Le fichier `.dlpk` doit être stocké localement. Le paramètre contient le chemin d’accès au fichier du modèle binaire d’apprentissage profond, le chemin d’accès à la fonction raster Python à utiliser et d’autres paramètres, tels que le remplissage ou la taille de préférence des tuiles.	File; String
Arguments (Facultatif)	Les informations du paramètre Model Definition (Définition de modèle) sont utilisées pour renseigner ce paramètre. Ces arguments varient en fonction de l’architecture de modèle. Les arguments de modèle suivants sont pris en charge pour les modèles entraînés dans ArcGIS. Les modèles pré-entraînés ArcGIS et les modèles de Deep Learning personnalisés peuvent comporter des arguments supplémentaires pris en charge par l’outil. `padding`—Le nombre de pixels en bordure des tuiles d’image à partir duquel les prévisions sont fusionnées pour les tuiles adjacentes. Pour lisser la sortie tout en réduisant les artefacts, augmentez la valeur. La valeur maximale du remplissage peut représenter la moitié de la valeur de la taille d’une tuile. L’argument est disponible pour toutes les architectures de modèle. `batch_size`—Nombre de tuiles d’image traitées à chaque étape de l’inférence du modèle. Ce nombre dépend de la mémoire de la carte graphique. L’argument est disponible pour toutes les architectures de modèle. Colonnes de la table de valeurs : Name—The name of the function argument. Value—The value of the function argument.	Value Table

DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster, in_model_definition, {arguments})

Nom	Explication	Type de données
from_raster	Raster en entrée avant la modification.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
to_raster	Raster en entrée après la modification.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
out_classified_raster	Raster classé en sortie qui illustre le changement.	Raster Dataset
in_model_definition	La valeur du paramètre `in_model_definition` peut être un fichier JSON de définition de modèle Esri (`.emd`), une chaîne JSON ou un paquetage de modèle de Deep Learning (`.dlpk`). Une chaîne JSON est utile lorsque cet outil est utilisé sur le serveur pour que vous puissiez coller la chaîne JSON au lieu de télécharger le fichier `.emd`. Le fichier `.dlpk` doit être stocké localement. Le paramètre contient le chemin d’accès au fichier du modèle binaire d’apprentissage profond, le chemin d’accès à la fonction raster Python à utiliser et d’autres paramètres, tels que le remplissage ou la taille de préférence des tuiles.	File; String
arguments [arguments,...] (Facultatif)	Les informations du paramètre `in_model_definition` sont utilisées pour définir les valeurs par défaut de ce paramètre. Ces arguments varient en fonction de l’architecture de modèle. Les arguments de modèle suivants sont pris en charge pour les modèles entraînés dans ArcGIS. Les modèles pré-entraînés ArcGIS et les modèles de Deep Learning personnalisés peuvent comporter des arguments supplémentaires pris en charge par l’outil. `padding`—Le nombre de pixels en bordure des tuiles d’image à partir duquel les prévisions sont fusionnées pour les tuiles adjacentes. Pour lisser la sortie tout en réduisant les artefacts, augmentez la valeur. La valeur maximale du remplissage peut représenter la moitié de la valeur de la taille d’une tuile. L’argument est disponible pour toutes les architectures de modèle. `batch_size`—Nombre de tuiles d’image traitées à chaque étape de l’inférence du modèle. Ce nombre dépend de la mémoire de la carte graphique. L’argument est disponible pour toutes les architectures de modèle. Colonnes de la table de valeurs : `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table

Exemple de code

Exemple 1 d’utilisation de la fonction DetectChangeUsingDeepLearning (fenêtre Python)

Cet exemple exécute un modèle de Deep Learning pour rechercher la différence entre deux images.

# Import system modules
import arcpy
from arcpy.ia import *

DetectChangeUsingDeepLearning("c://detectchange//input_image1.tif",
     "c://detectchange//input_image2.tif", "c://detectchange//output_difference.tif",
     "c://detectchange/detectBuilding.emd", "padding 0;score_threshold 0.6;batch_size 4")

Exemple 2 d’utilisation de la fonction DetectChangeUsingDeepLearning (script autonome)

Cet exemple exécute un modèle de Deep Learning pour rechercher la différence entre deux images.

# Import system modules
import arcpy
from arcpy.ia import *

"""
Usage: DetectObjectsUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, {model_arguments})
"""

# Set local variable
from_raster = r"c:/detectchange/input_image1.tif"
to_raster = r"c:/detectchange/input_image2.tif"
out_classified_raster = r"c:/detectchange/output_difference.tif"
in_model_definition = r"c:/ detectchange/detectbuilding.emd"

# arcpy.env.processorType = "GPU"
# arcpy.env.gpuId = 0

# Run
DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, "padding 0;score_threshold 0.6;batch_size 4")

Environnements

Taille de cellule, Espace de travail courant, Étendue, Transformations géographiques, ID GPU, Système de coordonnées en sortie, Facteur de traitement parallèle, Type de processeur, Espace de travail temporaire

Informations de licence