Skip to main content

ディープ ラーニングを使用した変化の検出 (Image Analyst ツール)

サマリー

トレーニング済みディープ ラーニング モデルを実行して、2 つのラスター間の変化を検出します。

このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。 モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープ ラーニング モデル パッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリー ディープ ラーニング モデル ファイルのパスを含む必要があります。

使用法

  • このツールの入力は、以前の画像と最近の画像の 2 つの画像です。 出力は、2 つの入力ラスター間の変化を示す分類済みラスター データセットです。

  • ArcGIS Pro Python 環境に適切なディープ ラーニング フレームワークの Python API (PyTorch など) をインストールする必要があります。インストールしない場合、Esri モデル定義ファイルをツールに追加するとエラーが発生します。 Esri モデル定義ファイルの作成者から適切なフレームワーク情報を入手します。

    ArcGIS Pro のディープ ラーニング フレームワークを使用するようにコンピューターを設定するには、ArcGIS 用のディープ ラーニング フレームワークのインストール をご参照ください。

  • このツールは、サードパーティーのディープ ラーニング Python API (PyTorch など) を呼び出し、指定された Python ラスター関数を使用して、各オブジェクトを処理します。

  • モデル定義 パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープ ラーニング モデル パッケージ (.dlpk) を指定することができます。 JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。 .dlpk ファイルはローカルに格納する必要があります。

  • ミニバッチ サイズ、パディング サイズなど、追加の入力パラメーターが必要な場合があります。

  • モデル定義の JSON ファイル (.emd) については、下記のサンプルをご参照ください。

    モデル定義の JSON ファイルのサンプル

    <!--```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] } ] }

  • バッチ サイズを増やすと、ツールのパフォーマンスが向上します。ただし、バッチ サイズの増加に伴って、使用されるメモリー量も多くなります。 メモリー不足エラーが発生した場合は、より小さなバッチ サイズを使用してください。 batch_size 値を調整するには、引数 パラメーターを使用します。

  • バッチ サイズは、1、4、9、16、25、64 などの平方数です。 入力値が完全な平方数でない場合は、最も大きな平方数が使用されます。 たとえば、6 という値を指定した場合は、バッチ サイズが 4 に設定されます。

  • このツールは、複数の GPU をサポートおよび使用します (使用可能な場合)。 特定の GPU を使用するには、[GPU ID] 環境を指定します。 GPU ID が設定されていない場合、ツールは使用可能なすべての GPU を使用します。 これがデフォルトです。

  • プロセッサー タイプ 環境が CPU に設定され、並列処理ファクター 環境が指定されていない場合、このツールでは 並列処理ファクター の値として 50% が使用されます。

パラメーター

ラベル 説明 データ タイプ

ラスターから変換

変化前の入力ラスター。

Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer

ラスターへ変換

変化後の入力ラスター。

Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer

出力分類ラスター

変化を示す出力分類ラスター。

Raster Dataset

モデル定義

モデル定義 パラメーター値には、Esri モデル定義の JSON ファイル (.emd)、JSON 文字列、またはディープ ラーニング モデル パッケージ (.dlpk) を指定することができます。 JSON 文字列は、このツールがサーバーで使用されている場合に便利で、.emd ファイルをアップロードする代わりに JSON 文字列を貼り付けることができます。 .dlpk ファイルはローカルに格納する必要があります。

これには、ディープ ラーニング バイナリー モデル ファイルへのパス、使用される Python ラスター関数へのパス、および他のパラメーター (望ましいタイル サイズやゼロ詰めなど) が含まれます。

File; String

引数

(オプション)

モデル定義 パラメーターからの情報が、この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 でトレーニングされるモデルのサポート対象モデル引数は次のとおりです。 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。

  • 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には、タイル サイズの値の半分を設定できます。 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。

  • 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。

値テーブル列:

  • Name—The name of the function argument.

  • Value—The value of the function argument.

Value Table

環境

セル サイズ, 現在のワークスペース, 範囲, 地理座標系変換, GPU ID, 出力座標系, 並列処理ファクター, プロセッサー タイプ, スクラッチ ワークスペース

ライセンス情報

  • Basic: Image Analyst が必要
  • Standard: Image Analyst が必要
  • Advanced: Image Analyst が必要