Skip to main content

ディープ ラーニング引数

Image Analyst ライセンスで利用可能。

ディープ ラーニング モデルをどのようにトレーニングして使用するかを制御する方法は多数あり、引数もその 1 つです。 このトピックでは、1 つ目の表に、ディープ ラーニング モデルのトレーニングについてサポートされているモデル引数が一覧表示されています。 2 つ目の表には、ディープ ラーニング モデルを推論でどのように使用するかを制御する引数が一覧表示されています。

トレーニング引数

ディープ ラーニング モデルのトレーニング ツールには、ディープ ラーニング モデルをトレーニングするための引数があります。 これらの引数は、モデル アークテクチャによって変わります。 これらの引数の値を変えてモデルをトレーニングすることができます。 引数は次のとおりです。

  • attention_type - モジュール タイプを指定します。 デフォルトは PAM です。

  • attn_res - 残差ブロック内のアテンションの数。 これはオプションの整数値です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 16 です。

  • backend - このモデルに使用するバックエンド フレームワークを指定します。

  • bias - SSD (シングル ショット検出器) ヘッドのバイアス。 デフォルトは -4.0 です。

  • box_batch_size_per_image - 分類のトレーニング中にサンプリングされる提案の数。 デフォルトは 512 です。

  • box_bg_iou_thresh - 分類ヘッドのトレーニング中に負として見なすことができるようにする、提案と GT (グランドトゥルース) ボックスの間の最大 IoU (Intersection of Union)。 デフォルトは 0.5 です。

  • box_detections_per_img - すべてのクラスに対する画像あたりの最大検出数。 デフォルトは 100 です。

  • box_fg_iou_thresh - 分類ヘッドのトレーニング中に正として見なすことができるようにする、提案と GT ボックスの間の最小 IoU。 デフォルトは 0.5 です。

  • box_nms_thresh - 予測ヘッドの NMS (Non maximum suppression) 閾値。推論中に使用されます。 デフォルトは 0.5 です。

  • box_positive_fraction - 分類ヘッドのトレーニング中のミニバッチにおける正の提案の比率。 デフォルトは 0.25 です。

  • box_score_thresh - 推論中に提案を返すために満たす必要がある分類スコアの閾値。 デフォルトは 0.05 です。

  • channel_mults - U-Net での後続の解像度のためのオプションの深度乗数。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 1, 2, 4, 4, 8, 8 です。

  • channels_of_interest - 対象となるスペクトル バンド (チャネル) のリスト。 これにより、このリストに基づいて複数の時系列のラスターからバンドが除外されます。 たとえば、データセットにバンド 0 ～ 4 が存在するがトレーニングではバンド 0、1、2 のみを使用する場合、リストは [0,1,2] となります。

  • class_balancing - 交差エントロピー損失逆方向とクラスごとのピクセルの頻度とのバランスを取るかどうかを指定します。 デフォルトは False です。

  • d_k - キーとクエリー ベクターのディメンション。 デフォルトは 32 です。

  • decode_params - Image Captioner がどのように動作するかを管理するディクショナリー。 以下のパラメーターで構成されます: embed_size、hidden_size、attention_size、teacher_forcing、dropout、pretrained_emb。 teacher_forcing パラメーターは、教師強制の確率です。 教師強制は、回帰型ニューラル ネットワークのトレーニングのための戦略です。 教師強制では、逆伝播学習中に、前の出力の代わりに、前の時間ステップからのモデル出力を入力として使用します。 pretrained_emb パラメーターは、事前トレーニング済みテキスト埋め込みを使用するかどうかを指定します。 True の場合、高速のテキスト埋め込みを使用します。 False の場合、事前トレーニング済みのテキスト埋め込みを使用しません。

  • decoder_depth - デコーダー コンポーネント内の深度またはレイヤーの数。

  • depth - モデルの深度。 デフォルトは 17 です。

  • depths - 各段階におけるブロックの数。 デフォルトは [3, 3, 9, 3] です。

  • dice_loss_average - ミクロ平均化またはマクロ平均化のどちらを使用するか選択します。 マクロ平均は、クラスごとに独立した指標を計算してから平均を計算するため、すべてのクラスを同等に処理します。 ミクロ平均は、すべてのクラスの提供を集約して、平均指標を計算します。 マルチクラス分類のセットアップでは、あるクラスのサンプル数が他のクラスよりも多いクラスの不均衡がある可能性がある場合は、マイクロ平均が適しています。 デフォルトはマイクロです。

  • dice_loss_fraction - トレーニングをガイドする合計損失で、Dice 損失と比較したデフォルトの損失 (または焦点損失) の加重。 デフォルトは 0 です。 focal_loss が True に設定されている場合、デフォルトの損失の代わりに焦点損失が使用されます。 dice_loss_fraction が 0 に設定されている場合、トレーニングは、トレーニングをガイドする合計損失としてデフォルトの損失 (または焦点損失) を使用します。 dice_loss fraction 値が 0 より大きい場合、トレーニングは、トレーニングをガイドする合計損失として次の式を使用します:

    \(=(1 \space – \space dice_loss_fraction) * default_loss \space + \space dice_loss_fraction * dice_loss\)

  • dims - 各段階におけるフィーチャのディメンション。 デフォルトは [96, 192, 384, 768] です。

  • downsample_factor - 画像をダウンサンプリングするために使用されるファクター。 デフォルトは 4 です。

  • drop - ドロップアウト率。 過剰適合を低減するには、値を増やします。 デフォルトは 0.3 です。

  • dropout - ドロップアウト率。 過剰適合を低減するには、値を増やします。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは、モデル タイプ パラメーターの値によって異なります。

  • drop_path - 確立論的深さ。 これは浮動小数点値で表されるパーセンテージです。 デフォルトは 0.1 です。

  • drop_path_rate - 確立論的深さ率。 これは浮動小数点値で表されるパーセンテージです。 デフォルトは 0.05 です。

  • drop_rate - 過剰適合を避けるため、トレーニング中にニューロンをランダムにドロップアウトする技術。 これは浮動小数点値で表されるパーセンテージです。 デフォルトは 0.1 です。

  • embed_dim - 埋め込みのディメンション。 デフォルトは 768 です。

  • feat_loss - ディスクリミネーター フィーチャのマッチング損失を使用するかどうかを指定します。 デフォルトは True です。

  • focal_loss - フォーカル損失が使用されるかどうかを指定します。 焦点損失は、一段階のオブジェクト検出モデルでのクラス不均衡の問題に対処することができます。 デフォルトは False です。

  • forecast_timesteps - トレーニングの予測が行われる間隔の数。 デフォルトは 1 です。

  • gaussian_thresh - 必要な道幅を設定するガウス閾値。 有効な範囲は 0.0 ～ 1.0 です。 デフォルト値は 0.6 です。

  • gen_blocks - ジェネレーターで使用する ResNet ブロックの数。 デフォルトは 9 です。

  • gen_network - ジェネレーターで使用するモデルを指定します。 コンピューターの GPU メモリーが少ない場合は global を使用します。 デフォルトはローカルです。

  • gradcam - Grad-CAM (Gradient-weighted Class Activation Mapping) 視覚化を使用するかどうかを指定します。 True に設定した場合、Grad-CAM ヒートマップには予測で使用された重要な領域が表示されます。

  • grids - 処理中に画像が分割されるグリッドの数です。 たとえば、この引数を 4 に設定すると、画像が 4 x 4、つまり 16 個のグリッド セルに分割されます。 値を指定しないと、入力画像に基づいて最適なグリッド値が計算されます。

  • head_init_scale - 分類器の加重とバイアスのスケーリングの初期値。 デフォルトは 1.0 です。

  • hrs_each_step - 各データ反復が収集された時間数。 デフォルトは 1 です。

  • ignore_classes - モデルで損失が発生しないクラス値のリスト。

  • inner_channel - 最初の U-net レイヤーのディメンションです。 これはオプションの整数値です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 64 です。

  • keep_dilation - ディレーションを使用するかどうかを指定します。 True に設定され、pointrend アーキテクチャーが使用されると、メモリーの消費量が増える代わりに、精度が向上する可能性があります。 デフォルトは False です。

  • lambda_feat - フィーチャのマッチング損失の加重。 デフォルトは 10 です。

  • lambda_l1 - フィーチャのマッチング損失の加重。 3 バンドの画像ではサポートされていません。 デフォルトは 100 です。

  • layer_scale_init_value - レイヤーのスケールの初期値。 デフォルトは 1e-6 です。

  • linear_end - 終了をスケジュール設定するためのオプションの整数。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 1e-06 です。

  • linear_start - 開始をスケジュール設定するためのオプションの整数。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 1e-02 です。

  • lsgan - トレーニングで平均二乗誤差を使用するかどうかを指定します。 False の場合、バイナリー交差エントロピーを使用します。 デフォルトは True です。

  • location_loss_factor - 境界四角形損失の加重。 このファクターは、境界四角形の位置にモデルの焦点を調整します。 None に設定されている場合、位置と分類損失の両方に等しい加重が付与されます。

  • min_points - マスクされたトレーニングの各領域からサンプリングするピクセルの数。 この値は 64 の倍数にする必要があります。

  • mixup - トレーニング セットの画像をランダムに組み合わせて、新しいトレーニング画像を作成するかどうかを指定します (True)。 デフォルトは False です。

  • mlp_ratio - マルチレイヤー パーセプトロン (MLP) の比率。 デフォルトは 4 です。

  • mlp1 - MLP1 の連続するフィーチャ空間のディメンション。 デフォルトは 32,64 です。

  • mlp2 - MLP2 の連続するフィーチャ空間のディメンション。 デフォルトは 128,128 です。

  • mlp4 - デコーダー MLP のディメンション。 デフォルトは 64,32 です。

  • model - モデルのトレーニングに使用されるバックボーン モデル。 どのバックボーンを使用できるかは、モデル タイプ パラメーターの値によります。 この引数は MMDetection および MMSegmentation モデル タイプでのみサポートされています。 MMDetection のデフォルトは cascade_rcnn です。 MMSegmentation のデフォルトは mask2former です。

  • model_weight - 事前トレーニング済みモデルのウェイトを使用するかどうかを指定します。 この値は、モデルのウェイトを含む構成ファイルへの、MMDetection リポジトリーまたは MMSegmentation リポジトリーからのパスにすることもできます。 デフォルトは False です。

  • mtl_model - モデルの作成に使用されるアーキテクチャー タイプを指定します。 選択肢は LinkNet ベースのニューラル アーキテクチャーを示す linknet と Hourglass ベースのニューラル アーキテクチャーを示す hourglass です。 デフォルトは hourglass です。

  • n_blocks_global - グローバル ジェネレーター ネットワーク内の残差ブロックの数。 デフォルトは 9 です。

  • n_blocks_local - ローカル エンハンサー ネットワーク内の残差ブロックの数。 デフォルトは 3 です。

  • n_downsample_global - グローバル ジェネレーター ネットワーク内のダウンサンプリング レイヤーの数。

  • n_dscr - 使用するディスクリミネーターの数。 デフォルトは 2 です。

  • n_dscr_filters - 最初の畳み込みレイヤー内のディスクリミネーター フィルターの数。 デフォルトは 64 です。

  • n_gen_filters - 最初の畳み込みレイヤー内の世代フィルターの数。 デフォルトは 64 です。

  • n_head - 注意ヘッドの数。 デフォルトは 4 です。

  • n_layers_dscr - Pix2PixHD で使用するディスクリミネーター ネットワークのレイヤーの数。 デフォルトは 3 です。

  • n_local_enhancers - 使用するローカル エンハンサーの数。 デフォルトは 1 です。

  • n_masks - 画像に含めることができるクラス ラベルとインスタンスの最大数。 デフォルトは 30 です。

  • n_timestep - 拡散時間ステップの数。 これはオプションの値です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 1000 です。

  • norm - インスタンス正規化またはバッチ正規化のどちらを使用するかを指定します。 デフォルトはインスタンスです。

  • norm_groups - グループ正規化のグループ数。 これはオプションの整数値です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 32 です。

  • num_heads - 注意ヘッドの数。 デフォルトは 12 です。

  • orient_bin_size - 方位角のビン サイズ。 デフォルトは 20 です。

  • orient_theta - 方位マスクの幅。 デフォルトは 8 です。

  • oversample - オーバーサンプリングを使用するかどうかを指定します。 True に設定すると、トレーニング中にバランス調整されていないデータセットのクラスをオーバーサンプリングします。 複数ラベルのデータセットではサポートされていません。 デフォルトは False です。

  • parallel_patch_embed - 入力画像を並列処理するためにより小さな画像パッチに分割するかどうかを指定します。

  • patch_size - パッチ埋め込みを生成するためのパッチ サイズ。デフォルトは 16 です。

  • perceptual_loss - トレーニングでパーセプトロン損失を使用するかどうかを指定します。 デフォルトは False です。

  • pointrend - セグメンテーション ヘッドの上部に PointRend アーキテクチャーを使用するかどうかを指定します。 PointRend アーキテクチャーの詳細については、PointRend の PDF をご参照ください。 デフォルトは False です。

  • pooling - 使用するピクセル埋め込みプール戦略。 デフォルトは平均値です。

  • pyramid_sizes - それぞれの小区域に適用される畳み込みレイヤーの数とサイズ。 この引数は、ピラミッド型解析ネットワーク モデルに固有のものです。 デフォルトは [1,2,3,6] です。

  • qkv_bias - トレーニングで QK ベクトル バイアスを使用するかどうかを指定します。 デフォルトは False です。

  • ratios - アンカー ボックスで使用する縦横比のリストです。 オブジェクト検出を行う場合、アンカー ボックスは予測対象のオブジェクトに最適な位置、形状、サイズを表します。 たとえば、この引数を [1.0, 1.0]、[1.0, 0.5] に設定すると、アンカー ボックスが正方形 (1:1) になるか、水平側が鉛直側の半分の長方形 (1:0.5) になります。 RetinaNet のデフォルトは [0.5,1,2] です。 シングル ショット検出器のデフォルトは [1.0, 1.0] です。

  • res_blocks - 残差ブロックの数。 これはオプションの整数値です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトは 3 です。

  • rpn_batch_size_per_image - 損失の計算で RPN のトレーニング中にサンプリングされたアンカーの数。 デフォルトは 256 です。

  • rpn_bg_iou_thresh - RPN のトレーニング中に負として見なすことができるようにする、アンカーと GT ボックスの間の最大 IoU。 デフォルトは 0.3 です。

  • rpn_fg_iou_thresh - RPN のトレーニング中に正として見なすことができるようにする、アンカーと GT ボックスの間の最小 IoU。 デフォルトは 0.7 です。

  • rpn_nms_thresh - RPN 提案の後処理に使用される NMS 閾値。 デフォルトは 0.7 です。

  • rpn_positive_fraction - RPN のトレーニング中のミニバッチにおける正のアンカーの比率。 デフォルトは 0.5 です。

  • rpn_post_nms_top_n_test - テスト中に NMS の適用後に保持する提案の数。 デフォルトは 1000 です。

  • rpn_post_nms_top_n_train - トレーニング中に NMS の適用後に保持する提案の数。 デフォルトは 2000 です。

  • rpn_pre_nms_top_n_test - テスト中に NMS の適用前に保持する提案の数。 デフォルトは 1000 です。

  • rpn_pre_nms_top_n_train - トレーニング中に NMS の適用前に保持する提案の数。 デフォルトは 2000 です。

  • scales - 各セルが拡大/縮小される縮尺レベルの数です。 デフォルトは [1, 0.8, 0.63] です。

  • schedule - 使用されるスケジュールのタイプ。 これはオプションの値です。 オプションは、リニア、warmup10、warmup50、定数、jsd、余弦です。 この引数は、バックボーン モデル パラメーター値が SR3 の場合のみサポートされます。 デフォルトはリニアです。

  • seq_len - タイムスタンプ バンドの数。 モデルが prithvi100m の場合のみ適用されます。 デフォルトは 1 です。

  • T - 位置エンコーディングに使用する期間。 デフォルトは 1000 です。

  • timesteps_of_interest - 対象の時間ステップのリスト。これにより、指定された時間ステップのリストに基づいて複数の時系列をフィルターします。 たとえば、データセットに時間ステップ 0、1、2、3 があるが時間ステップ 0、1、2 がトレーニングで使用されている場合、このパラメーターは [0,1,2] に設定されます。残りの時間ステップはフィルターで除外されます。

  • unet_aux_loss - トレーニング中に補助損失を使用するかどうかを指定します。

  • use_unet - ピラミッド プーリングが完了した時点で U-Net デコーダーを使用してデータを復元するかどうかを指定します。 この引数は、ピラミッド型解析ネットワーク モデルに固有のものです。 デフォルトは True です。

  • vgg_loss - VGG フィーチャのマッチング損失を使用するかどうかを指定します。 3 バンドの画像でのみサポートされています。 デフォルトは True です。

  • wavelengths - 入力ラスター内の各バンドの中心波長。波長はマイクロメートル単位です。 これは、各バンドに対応する浮動小数点値の配列です。例: [0.665,0.560,0.490]。 DOFA、CLAY、TERRAMIND のバックボーンは、パッチ埋め込み加重を動的に生成するために波長パラメーターを必要とします。 モデルはメタデータやバンド名からこれらを推測しようとしますが、名前が欠落しているか非標準の場合は手動で指定する必要があります。 以下はバンド名とその中心波長です: CoastalAerosol=0.443、CoastalBlue=0.443、Blue=0.490、Green=0.560、Red=0.665、Yellow=0.585、VegetationRedEdge_1=0.705、VegetationRedEdge_2=0.740、VegetationRedEdge_3=0.783、RedEdge=0.705、Infrared=0.865、NearInfrared=0.865、NIR=0.865、NearInfrared_1=0.842、NIR_1=0.842、NearInfrared_2=0.865、NIR_2=0.865、NarrowNearInfrared=0.87、NarrowNIR=0.87、ShortWaveInfrared=1.375、Cirrus=1.375、SWIR=1.375、ShortWaveInfrared_1=1.610、SWIR_1=1.610、ShortWaveInfrared_2=2.190、SWIR_2=2.190、MidInfrared=1.610、MIR=1.610、MidInfrared_1=1.610、MIR_1=1.610、MidInfrared_2=2.190、MIR_2=2.190、ThermalInfrared=11.450、Thermal=11.450、TIR=11.450、ThermalInfrared_1=10.895、Thermal_1=10.895、TIR_1=10.895、ThermalInfrared_2=12.005、Thermal_2=12.005、TIR_2=12.005、Panchromatic=0.592、WaterVapor=0.945、QA=0.0。

  • zooms - 各グリッド セルが拡大/縮小されるズーム レベルの数です。 この引数を 1 に設定すると、すべてのグリッド セルは同じサイズ (同じズーム レベル) を維持します。 ズーム レベルが 2 の場合は、すべてのグリッド セルが 2 倍の大きさになります (100 パーセントでズームされる)。 ズーム レベルのリストを指定すると、そのリスト内のすべての数値を使用して、すべてのグリッド セルが拡大/縮小されます。 デフォルトは 1 です。

モデル タイプ

引数

有効な値

3D-RCNet

(ピクセル分類)

depths

正の整数のリスト。 デフォルトは [1, 2, 4, 2] です。

dims

正の整数のリスト。 デフォルトは [32, 64, 128, 256] です。

drop_path_rate

浮動小数点値。 デフォルトは 0.05 です。

head_init_scale

浮動小数点値。 デフォルト値は 1.0 です。

layer_scale_init_value

浮動小数点値。 デフォルトは 1e-6 です。

Change detector

(ピクセル分類)

attention_type

PAM (Pyramid Attention Module) または BAM (Basic Attention Module)。 デフォルトは PAM です。

ClimaX

(ピクセル分類)

decoder_depth

正の整数値。 デフォルトは 2 です。

depth

正の整数値。 デフォルトは 8 です。

drop_path

浮動小数点値。 デフォルトは 0.1 です。

drop_rate

浮動小数点値。 デフォルトは 0.1 です。

embed_dim

正の整数値。 デフォルト値は 1024 です。

forecast_timesteps

正の整数値。 デフォルトは 1 です。

hrs_each_step

正の整数値。 デフォルトは 1 です。

mlp_ratio

浮動小数点値。 デフォルトは 4.0 です。

num_heads

正の整数値。 デフォルトは 16 です。

parallel_patch_embed

True または False。 デフォルトは True です。

patch_size

正の整数値。 デフォルトは 4 です。

ConnectNet

(ピクセル分類)

gaussian_thresh

0.0 ～ 1.0。 デフォルト値は 0.6 です。

mtl_model

linknet または hourglass。 デフォルトは hourglass です。

orient_bin_size

正の数値。 デフォルトは 20 です。

orient_theta

正の数値。 デフォルトは 8 です。

CycleGAN

(画像変換)

gen_blocks

正の整数。 デフォルトは 9 です。

lsgan

True または False。 デフォルトは True です。

DeepLab

(ピクセル分類)

class_balancing

True または False。 デフォルトは False です。

dice_loss_average

micro または macro。 デフォルトは micro です。

dice_loss_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0 です。

focal_loss

True または False。 デフォルトは False です。

ignore_classes

有効なクラス値。

keep_dilation

True または False。 デフォルトは False です。

mixup

True または False。 デフォルトは False です。

pointrend

True または False。 デフォルトは False です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

FasterRCNN

(オブジェクトの検出)

box_batch_size_per_image

正の整数。 デフォルトは 512 です。

box_bg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_detections_per_img

正の整数。 デフォルトは 100 です。

box_fg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_nms_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_positive_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0.25 です。

box_score_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.05 です。

rpn_batch_size_per_image

正の整数。 デフォルトは 256 です。

rpn_bg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.3 です。

rpn_fg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.7 です。

rpn_nms_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.7 です。

rpn_positive_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

rpn_post_nms_top_n_test

正の整数。 デフォルトは 1000 です。

rpn_post_nms_top_n_train

正の整数。 デフォルトは 2000 です。

rpn_pre_nms_top_n_test

正の整数。 デフォルトは 1000 です。

rpn_pre_nms_top_n_train

正の整数。 デフォルトは 2000 です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

フィーチャ分類器

(オブジェクトの分類)

gradcam

True または False。 デフォルトは False です。

mixup

True または False。 デフォルトは False です。

oversample

True または False。 デフォルトは False です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

HED Edge Detector

(ピクセル分類)

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

Image captioner

(画像変換)

decode_params 引数は、以下のパラメーターで構成されます:

  • embed_size

  • hidden_size

  • attention_size

  • teacher_forcing

  • dropout

  • pretrained_emb

デフォルトは {'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False} です。

MaskRCNN

(オブジェクトの検出)

box_batch_size_per_image

正の整数。 デフォルトは 512 です。

box_bg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_detections_per_img

正の整数。 デフォルトは 100 です。

box_fg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_nms_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

box_positive_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0.25 です。

box_score_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.05 です。

pointrend

True または False。 デフォルトは False です。 True の場合、セグメンテーション ヘッドの上部で PointRend アーキテクチャーを使用します。

rpn_batch_size_per_image

正の整数。 デフォルトは 256 です。

rpn_bg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.3 です。

rpn_fg_iou_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.7 です。

rpn_nms_thresh

0 ～ 1 の浮動小数点値。 デフォルトは 0.7 です。

rpn_positive_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0.5 です。

rpn_post_nms_top_n_test

正の整数。 デフォルトは 1000 です。

rpn_post_nms_top_n_train

正の整数。 デフォルトは 2000 です。

rpn_pre_nms_top_n_test

正の整数。 デフォルトは 1000 です。

rpn_pre_nms_top_n_train

正の整数。 デフォルトは 2000 です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

MaXDeepLab

(パノプティック セグメンテーション)

n_masks

正の整数。 デフォルトは 30 です。

MMDetection

(オブジェクトの検出)

model

atss、carafe、cascade_rcnn、cascade_rpn、dcn、deeplabv3、detectors、dino、double_heads、dynamic_rcnn、empirical_attention、fcos、foveabox、fsaf、ghm、hrnet、libra_rcnn、nas_fcos、pafpn、pisa、regnet、reppoints、res2net、sabl、および vfnet。

デフォルトは cascade_rcnn です。

model_weight

False またはファイル パス。 デフォルトは False です。

MMSegmentation

(ピクセル分類)

class_balancing

True または False。 デフォルトは False です。

ignore_classes

有効なクラス値。

model

ann、apcnet、ccnet、cgnet、deeplabv3、deeplabv3plus、dmnet、dnlnet、emanet、fastscnn、fcn、gcnet、hrnet、mask2former、mobilenet_v2、nonlocal_net、ocrnet、prithvi100m、psanet、pspnet、resnest、sem_fpn、unet、および upernet。

デフォルトは mask2former です。

model_weight

False またはファイル パス。 デフォルトは False です。

seq_len

正の整数。 デフォルトは 1 です。

Multi Task Road Extractor

(ピクセル分類)

gaussian_thresh

0.0 ～ 1.0。 デフォルト値は 0.6 です。

mtl_model

linknet または hourglass。 デフォルトは hourglass です。

orient_bin_size

正の数値。 デフォルトは 20 です。

orient_theta

正の数値。 デフォルトは 8 です。

Pix2Pix

(画像変換)

perceptual_loss

True または False。 デフォルトは False です。

Pix2PixHD

(画像変換)

feat_loss

True または False。 デフォルトは True です。

gen_network

local または global。 デフォルトは local です。

lambda_feat

正の整数値。 デフォルトは 10 です。

lambda_l1

正の整数値。 デフォルトは 100 です。

lsgan

True または False。 デフォルトは True です。

n_blocks_global

正の整数値。 デフォルトは 9 です。

n_blocks_local

正の整数値。 デフォルトは 3 です。

n_downsample_global

正の整数値。 デフォルトは 4 です。

n_dscr

正の整数値。 デフォルトは 2 です。

n_dscr_filters

正の整数値。 デフォルトは 64 です。

n_gen_filters

正の整数値。 デフォルトは 64 です。

n_layers_dscr

正の整数値。 デフォルトは 3 です。

n_local_enhancers

正の整数値。 デフォルトは 1 です。

norm

instance または batch。 デフォルトは instance です。

vgg_loss

True または False。 デフォルトは True です。

PSETAE

(ピクセル分類)

channels_of_interest

バンド番号のリスト (0 以上の整数)。

d_k

正の整数値。 デフォルトは 32 です。

dropout

0 ～ 1 の浮動小数点値。 デフォルトは 0.2 です。

min_points

64 の整数倍。

mlp1

正の整数のリスト。 デフォルトは 32,64 です。

mlp2

正の整数のリスト。 デフォルトは 128,128 です。

mlp4

正の整数のリスト。 デフォルトは 64,32 です。

n_head

正の整数値。 デフォルトは 4 です。

pooling

mean、std、max、または min。 デフォルトは mean です。

T

正の整数値。 デフォルトは 1000 です。

timesteps_of_interest

0 以上の整数のリスト。

ピラミッド シーン解析ネットワーク

(ピクセル分類)

class_balancing

True または False。 デフォルトは False です。

dice_loss_average

micro または macro。 デフォルトは micro です。

dice_loss_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0 です。

focal_loss

True または False。 デフォルトは False です。

ignore_classes

有効なクラス値。

keep_dilation

True または False。 デフォルトは False です。

mixup

True または False。 デフォルトは False です。

pointrend

True または False。 デフォルトは False です。

pyramid_sizes

[畳み込みレイヤー 1, 畳み込みレイヤー 2, ... , 畳み込みレイヤー n]

unet_aux_loss

True または False。 デフォルトは False です。

use_unet

True または False。 デフォルトは True です。

RetinaNet

(オブジェクトの検出)

ratios

浮動小数点数のリスト。

デフォルト値は 0,5, 1,2 です。

scales

[縮尺値 1, 縮尺値 2, 縮尺値 3]

デフォルトは [1, 0.8, 0.63] です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: [0.665,0.560,0.490]。

SAMLoRA

(ピクセル分類)

class_balancing

True または False。 デフォルトは False です。

ignore_classes

有効なクラス値。

シングル ショット検出器

(オブジェクトの検出)

bias

浮動小数点値。 デフォルトは -4.0 です。

drop

0 ～ 1 の浮動小数点値。

focal_loss

True または False。 デフォルトは False です。

grids

正の整数のリスト。

location_loss_factor

0 ～ 1 の浮動小数点値。

ratios

縦横比のリスト。各縦横比は 2 つの浮動小数点値のペア ([水平値, 垂直値]) です。 デフォルトは [1.0, 1.0] です。

wavelengths

カンマで区切られた浮動小数点値の配列。例: 0.665,0.560,0.490。

zooms

正の浮動小数点数のリスト。

Super Resolution with SR3 backbone

(画像変換)

attn_res

0 より大きい整数。 デフォルトは 16 です。

channel_mults

整数の乗数セット。 デフォルトは [1, 2, 4, 4, 8, 8] です。

downsample_factor

正の整数値。 デフォルトは 4 です。

dropout

浮動小数点値。 デフォルトは 0 です。

inner_channel

0 より大きい整数値。 デフォルトは 64 です。

linear_start

浮動小数点値で表される時間。

linear_end

浮動小数点値で表される時間。

n_timestep

0 より大きい整数値。 デフォルトは 1000 です。

norm_groups

0 より大きい整数値。 デフォルトは 32 です。

res_blocks

0 より大きい整数値。 デフォルトは 3 です。

schedule

linear、warmup10、warmup50、const、jsd、または cosine。

デフォルトは linear です。

Super Resolution with SR3_UViT backbone

(画像変換)

depth

正の整数点値。 デフォルトは 17 です。

downsample_factor

正の整数値。 デフォルトは 4 です。

embed_dim

正の整数点値。 デフォルトは 768 です。

mlp_ratio

正の浮動小数点値。 デフォルトは 4.0 です。

num_heads

正の整数点値。 デフォルトは 12 です。

patch_size

正の整数点値。 デフォルトは 16 です。

qkv_bias

True または False。 デフォルトは False です。

SR3 と SR3_UViT 以外のバックボーンを使用した Super Resolution。

(画像変換)

downsample_factor

正の整数値。 デフォルトは 4 です。

U-Net

(ピクセル分類)

class_balancing

True または False。 デフォルトは False です。

dice_loss_average

micro または macro。 デフォルトは micro です。

dice_loss_fraction

0 ～ 1 の浮動小数点値。 デフォルトは 0 です。

focal_loss

True または False。 デフォルトは False です。

ignore_classes

有効なクラス値。

mixup

True または False。 デフォルトは False です。

推論引数

次の引数を使用して、ディープ ラーニング モデルを推論用にどのようにトレーニングするかを制御できます。 モデル定義 パラメーターからの情報が、推論ツールの 引数 パラメーターの設定に使用されます。 これらの引数は、モデル アークテクチャによって変わります。 ArcGIS の事前トレーニング済みモデルとカスタム ディープ ラーニング モデルは、別途ツールがサポートする引数を持つ場合があります。

引数

推測タイプ

有効な値

batch_size

モデル推論の各ステップで処理された画像タイルの数。 これは、お使いのグラフィックス カードのメモリーに応じて異なります。 この引数はすべてのモデル アーキテクチャーで使用できます。

オブジェクトの分類

ピクセルの分類

変化検出

オブジェクトの検出

0 より大きい整数値。通常は 2 の累乗 (2n) の整数です。

direction

画像が 2 つのドメイン間で変換される方向。 この引数の詳細については、「CycleGAN の機能」をご参照ください。

この引数は CycleGAN アーキテクチャーでのみ使用できます。

ピクセルの分類

利用可能なオプションは AtoB と BtoA です。

exclude_pad_detections

画像チップのパディングされた領域にあるエッジ付近で切り捨てられる可能性のある検出をフィルターするかどうかを指定します。

この引数は SSD、RetinaNet、YOLOv3、DETReg、MMDetection、Faster RCNN のみで使用できます。

オブジェクトの検出

True または False。

merge_policy

拡張された予測のマージに使用されるポリシー。 これは、テスト時間の延長が使用される場合に限り適用できます。

ディープ ラーニングを使用したピクセルの分類 ツールの場合、この引数は MultiTaskRoadExtractor および ConnectNet アーキテクチャーで使用できます。 IsEdgeDetection がモデルの .emd ファイルに存在する場合、BDCNEdgeDetector、HEDEdgeDetector、MMSegmentation アーキテクチャーでも使用できます。

ディープ ラーニングを使用したオブジェクトの検出 ツールの場合、この引数は MaskRCNN でのみ使用できます。

ピクセルの分類

オブジェクトの検出

使用可能なオプションは mean、max、および min です。

nms_overlap

2 つの重複したフィーチャの最大オーバーラップ率。全領域に対する交差領域の比率として定義されます。 この引数はすべてのモデル アーキテクチャーで使用できます。

オブジェクトの検出

0.0 ～ 1.0 の浮動小数点値。 デフォルトは 0.1 です。

output_classified_raster

出力ラスターへのパス。 この引数は MaXDeepLab でのみ使用できます。

オブジェクトの検出

出力分類ラスターのファイル パスと名前。

padding

隣接するタイルの予測がブレンドされる画像タイルの境界のピクセル数。 出力を滑らかにすると同時にアーティファクトを減らすには、この値を大きくします。 パディングの最大値はタイルサイズの半分未満にする必要があります。 たとえば、タイルサイズが 256 の場合、パディングは 127 未満でなければなりません。 この引数はすべてのモデル アーキテクチャーで使用できます。

ピクセルの分類

変化検出

オブジェクトの検出

0 より大きくタイル サイズの値の半分より小さい整数値。

predict_background

背景クラスを分類するかどうかを指定します。 この引数は UNET、PSPNET、DeepLab、MMSegmentation で使用できます。

ピクセルの分類

True または False。

return_probability_raster

確率ラスターを出力するかどうかを指定します。 確率ラスターは、関心のある変数が指定された閾値を上回る、または下回る可能性をピクセルで指定するラスターです。

モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上の場合、MultiTaskRoadExtractor および ConnectNet アーキテクチャーを利用できます。 モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上であり、IsEdgeDetection が存在する場合は、BDCNEdgeDetector、HEDEdgeDetector、および MMSegmentation アーキテクチャーも利用できます。

ピクセルの分類

True または False。

score_threshold

この信頼度スコアを上回る予測が、結果に追加されます。 この引数はすべてのモデル アーキテクチャーで使用できます。

この引数は、ArcGIS Pro 3.5 以前でトレーニングされたモデルで使用される傾向があります。

オブジェクトの分類

0 ～ 1.0

test_time_augmentation

予測中にテスト時間の延長を実行するかどうかを指定します。 True の場合、入力画像の反転および回転バリアントの予測は、最終出力にマージされます。 この引数はほとんどのモデル アーキテクチャーで使用できます。

オブジェクトの分類

ピクセルの分類

True または False。

threshold

この閾値よりも信頼度スコアが高い予測が、結果に追加されます。

ディープ ラーニングを使用したオブジェクトの分類 ツールの場合、この引数はすべてのモデル アーキテクチャーで使用できます。 この引数は、ArcGIS Pro 3.5 以降でトレーニングされたモデルで使用される傾向があります。

ディープ ラーニングを使用したピクセルの分類 ツールの場合、モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上の場合、MultiTaskRoadExtractor および ConnectNet アーキテクチャーを利用できます。 モデルの .emd ファイルで ArcGISLearnVersion が 1.8.4 以上であり、IsEdgeDetection が存在する場合は、BDCNEdgeDetector、HEDEdgeDetector、および MMSegmentation アーキテクチャーも利用できます。

ディープ ラーニングを使用したオブジェクトの検出 ツールの場合、この引数はすべてのモデル アーキテクチャーで使用できます。

オブジェクトの分類

ピクセルの分類

オブジェクトの検出

0 ～ 1.0。

thinning

予測されたエッジを細線化またはスケルトン化するかどうかを指定します。

IsEdgeDetection がモデルの .emd ファイルに存在する場合、BDCNEdgeDetector、HEDEdgeDetector、MMSegmentation アーキテクチャーを利用できます。

ピクセルの分類

True または False。

tile_size

予測のために画像が分割される画像タイルの幅と高さ。

ディープ ラーニングを使用したピクセルの分類 ツールの場合、この引数は CycleGAN アーキテクチャーでのみ使用できます。

ディープ ラーニングを使用したオブジェクトの検出 ツールの場合、この引数は MaskRCNN でのみ使用できます。

ピクセルの分類

オブジェクトの検出

0 より大きく画像のサイズより小さい整数値。