Classer des pixels à l’aide du Deep Learning (Outils d'analyse raster)
Résumé
Exécute un modèle de Deep Learning entraîné sur une image en entrée pour générer un raster classé publié en tant que couche d’imagerie hébergée sur votre portail.
Illustration
Utilisation
L’environnement Python du serveur d’analyse raster doit être configuré avec l’API Python de structure de Deep Learning appropriée, telle que CNTK ou une autre similaire.
Lorsque cet outil est en cours d’exécution, votre serveur d’analyse raster appelle une API Python de Deep Learning tierce (telle que TensorFlow) et utilise la fonction raster Python spécifiée pour traiter chaque tuile raster.
Le modèle en entrée de cet outil n’extrait qu’un élément de paquetage Deep Learning (.dlpk) du portail.
Une fois le modèle en entrée sélectionné ou spécifié, l’outil récupère les arguments du modèle auprès du serveur d’analyse raster. Il est possible que l’outil ne parvienne pas à récupérer ces informations si votre modèle en entrée n’est pas valide ou si votre serveur d’analyse raster n’est pas correctement configuré avec la structure de Deep Learning.
Image en entrée à classer. Il peut s’agir de l’URL d’un service d’imagerie, d’une couche raster, d’un service d’imagerie, d’une couche de serveur de carte ou d’une couche Internet tuilée.
Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
Modèle en entrée
L’entrée est une URL d’un élément de paquetage de Deep Learning (.dlpk). 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
Nom en sortie
Le nom du service d’imagerie des pixels classés.
String
Arguments du modèle
(Facultatif)
Les arguments de la fonction sont définis dans la classe de fonction raster Python référencée par le modèle en entrée. C’est là que vous répertoriez les paramètres d’apprentissage profond supplémentaires et les arguments des expériences et améliorations, tels qu’un seuil de confiance pour l’ajustement de la sensibilité. Les noms des arguments sont renseignés par l’outil après lecture du module Python dans le serveur d’analyse raster.
Colonnes de la table de valeurs :
Name—The name of the function argument.
Value—The value of the function argument.
Value Table
Mode de traitement
(Facultatif)
Spécifie comment tous les éléments raster figurant dans un jeu de données mosaïque ou un service d’imagerie seront traités. Ce paramètre est appliqué lorsqu’un raster en entrée est un jeu de données mosaïque ou service d’imagerie.
Process as mosaicked image (Traiter en tant qu’image mosaïquée)—Tous les éléments raster figurant dans le jeu de données mosaïque ou le service d’imagerie seront mosaïqués ensemble, puis traités. Il s’agit de l’option par défaut.
Process all raster items separately (Traiter tous les éléments raster séparément)—Tous les éléments raster figurant dans le jeu de données mosaïque ou le service d’imagerie seront traités en tant qu’images séparées.
Image en entrée à classer. Il peut s’agir de l’URL d’un service d’imagerie, d’une couche raster, d’un service d’imagerie, d’une couche de serveur de carte ou d’une couche Internet tuilée.
Raster Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer; String
inputModel
L’entrée est une URL d’un élément de paquetage de Deep Learning (.dlpk). 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
outputName
Le nom du service d’imagerie des pixels classés.
String
modelArguments[modelArguments,...]
(Facultatif)
Les arguments de la fonction sont définis dans la classe de fonction raster Python référencée par le modèle en entrée. C’est là que vous répertoriez les paramètres d’apprentissage profond supplémentaires et les arguments des expériences et améliorations, tels qu’un seuil de confiance pour l’ajustement de la sensibilité. Les noms des arguments sont renseignés par l’outil après lecture du module Python dans le serveur d’analyse raster.
Colonnes de la table de valeurs :
Name—The name of the function argument.
Value—The value of the function argument.
Value Table
processingMode
(Facultatif)
Spécifie comment tous les éléments raster figurant dans un jeu de données mosaïque ou un service d’imagerie seront traités. Ce paramètre est appliqué lorsqu’un raster en entrée est un jeu de données mosaïque ou service d’imagerie.
PROCESS_AS_MOSAICKED_IMAGE—Tous les éléments raster figurant dans le jeu de données mosaïque ou le service d’imagerie seront mosaïqués ensemble, puis traités. Il s’agit de l’option par défaut.
PROCESS_ITEMS_SEPARATELY—Tous les éléments raster figurant dans le jeu de données mosaïque ou le service d’imagerie seront traités en tant qu’images séparées.
String
Sortie dérivée
Nom
Explication
Type de données
outRaster
Jeu de données raster en sortie.
Raster Layer
Exemple de code
Exemple 1 d’utilisation de la fonction ClassifyPixelsUsingDeepLearning (fenêtre Python)
Cet exemple classe un raster en fonction d’une classification de pixels personnalisée à l’aide de l’apprentissage profond dans un déploiement d’analyse raster et publie le raster en tant que couche d’imagerie hébergée dans votre portail.
Exemple 2 d’utilisation de la fonction ClassifyPixelsUsingDeepLearning (script autonome)
Cet exemple classe un raster en fonction d’une classification de pixels personnalisée à l’aide de l’apprentissage profond dans un déploiement d’analyse raster et publie le raster en tant que couche d’imagerie hébergée dans votre portail.
#---------------------------------------------------------------------------
# Name: ClassifyPixelsUsingDeepLearning_example02.py
# Requirements: ArcGIS Image Server
# Import system modules
import arcpy
# Set local variables
inImage = "https://myserver/rest/services/ landclassification/ImageServer"
inModel = "https://myportal/sharing/rest/content/items/itemId"
outName = "classifiedLand"
modelArgs = "padding 0"
# Run Classified Pixels Using raster analysis tool
arcpy.ra.ClassifyPixelsUsingDeepLearning(inImage, inModel, outName, modelArgs)
