Skip to main content

AutoDL を使用したトレーニング (Image Analyst ツール)

サマリー

トレーニング パイプラインを構築し、トレーニング プロセスの多くを自動化することで、ディープ ラーニング モデルをトレーニングします。 ここには、データ拡張、モデル選択、ハイパーパラメーター調整、バッチ サイズ推論が含まれます。 出力には、トレーニング データのベスト モデルのパフォーマンス メトリクスや、新しい画像を予測するための AI モデルを使用したフィーチャの抽出 ツールの入力として使用できるトレーニングしたディープ ラーニング モデル パッケージ (.dlpk ファイル) が含まれます。

AutoDL の仕組みの詳細

使用法

  • ArcGIS Pro で Python 用の適切なディープ ラーニング フレームワークをインストールする必要があります。

    ArcGIS のディープ ラーニング フレームワークのインストール方法の詳細

  • 非接続環境でモデルをトレーニングする場合は、非接続環境のための追加インストール で詳細をご確認ください。

  • ツールがトレーニング済のモデルを作成するためにかかる時間は、以下に応じて異なります:

    • トレーニング中に提供されるデータの量

    • AutoDL モード パラメーター値

    • 合計時間の制限 (時間) パラメーター値

    デフォルトでは、すべてのモードのタイマーは 2 時間に設定されます。 基本 モードは、指定された時間内にデフォルトのバックボーンで、選択されたネットワークをトレーニングします。 高度設定 モードでは合計時間が 2 分割され、前半でモデル評価を実行して、後半に他のバックボーンを評価するための上位 2 つの実行モデルを決定します。 トレーニングされるデータ量が大きい場合、選択したすべてのモデルを 2 時間以内に評価できない場合があります。 こうした場合には、2 時間以内に決定された最善モデルが最適モデルと見なされます。 続いて、このモデルを使用するか、合計制限時間 (時間) パラメーターの値を大きくしてツールを再実行できます。

  • このツールは、既存のトレーニング済みモデルの微調整にも使用できます。 たとえば、車に関してトレーニングされた既存のモデルを微調整して、トラックを識別するモデルをトレーニングすることができます。

  • このツールを実行するには、GPU 搭載のコンピューターが必要です。 複数の GPU が存在する場合は、GPU ID 環境を使用します。

  • このツールの入力トレーニング データには、ディープ ラーニング用のトレーニング データをエクスポート ツールから生成された画像フォルダーとラベル フォルダーを含める必要があります。

  • このツールの使用例として考えられるものには、建物フットプリント、プール、ソーラー パネル、土地被覆分類などのフィーチャを抽出するためのオブジェクト検出モデルおよびピクセル分類モデルのトレーニングがあります。

  • このツールの実行要件および発生する可能性のある問題の詳細については、「[ディープ ラーニングに関するよくあるご質問 (FAQ)]」(../../help/analysis/deep-learning/deep-learning-faq.md) をご参照ください。

パラメーター

ラベル 説明 データ タイプ

入力トレーニング データ

モデルのトレーニングに必要な画像チップ、ラベル、統計を含むフォルダー。 これは、ディープ ラーニング用のトレーニング データをエクスポート ツールから生成された出力です。 エクスポートされるデータのメタデータ形式は、Classified_Tiles、PASCAL_VOC_rectangles、または KITTI_rectangles のいずれかである必要があります。

Folder

出力モデル

ディープ ラーニング パッケージとして保存される出力トレーニング済みモデル (.dlpk ファイル)。

File

事前トレーニング済みモデル

(オプション)

新しいモデルの微調整に使用される事前トレーニング済みモデル。 入力には、Esri モデル定義ファイル (.emd) か、ディープ ラーニング パッケージ ファイル (.dlpk) を指定できます。

類似したクラスを持つ事前トレーニング済みモデルは、新しいモデルに合わせて微調整することができます。 事前トレーニング済みモデルは、新しいモデルのトレーニングに使用される同じモデル タイプおよびバックボーン モデルでトレーニングされている必要があります。

File

合計時間制限 (時間)

(オプション)

AutoDL モデルのトレーニングにかかる合計時間の制限 (時間単位)。 デフォルトは 2 時間です。

Double

AutoDL モード

(オプション)

使用される AutoDL モードと、AutoDL 検索の集約度を指定します。

  • Basic—基本モードが使用されます。 このモードは、ハイパーパラメーター調整を行わずに、選択されたすべてのネットワークをトレーニングするために使用されます。

  • Advanced—高度設定モードが使用されます。 このモードは、上位 2 つの最善モデルでハイパーパラメーターの調整を実行するために使用されます。

String

ニューラル ネットワーク

(オプション)

モデルのトレーニングに使用されるアーキテクチャーを指定します。

デフォルトでは、すべてのネットワークが使用されます。

  • SingleShotDetector—SingleShotDetector アーキテクチャーがモデルのトレーニングに使用されます。 SingleShotDetector の使用目的はオブジェクト検出です。

  • RetinaNet—RetinaNet アーキテクチャーがモデルのトレーニングに使用されます。 RetinaNet の使用目的はオブジェクト検出です。

  • FasterRCNN—FasterRCNN アーキテクチャーがモデルのトレーニングに使用されます。 FasterRCNN の使用目的はオブジェクト検出です。

  • YOLOv3—YOLOv3 アーキテクチャーがモデルのトレーニングに使用されます。 YOLOv3 の使用目的はオブジェクト検出です。

  • HRNet—HRNet アーキテクチャーがモデルのトレーニングに使用されます。 HRNet の使用目的はピクセル分類です。

  • ATSS—ATSS アーキテクチャーがモデルのトレーニングに使用されます。 ATSS の使用目的はオブジェクト検出です。

  • CARAFE—CARAFE アーキテクチャーがモデルのトレーニングに使用されます。 CARAFE の使用目的はオブジェクト検出です。

  • CascadeRCNN—CascadeRCNN アーキテクチャーがモデルのトレーニングに使用されます。 CascadeRCNN の使用目的はオブジェクト検出です。

  • CascadeRPN—CascadeRPN アーキテクチャーがモデルのトレーニングに使用されます。 CascadeRPN の使用目的はオブジェクト検出です。

  • DCN—DCN アーキテクチャーがモデルのトレーニングに使用されます。 DCN の使用目的はオブジェクト検出です。

  • DeepLab—DeepLab アーキテクチャーがモデルのトレーニングに使用されます。 DeepLab の使用目的はピクセル分類です。

  • UnetClassifier—UnetClassifier アーキテクチャーがモデルのトレーニングに使用されます。 UnetClassifier の使用目的はピクセル分類です。

  • DeepLabV3Plus—DeepLabV3Plus アーキテクチャーがモデルのトレーニングに使用されます。 DeepLabV3Plus の使用目的はピクセル分類です。

  • PSPNetClassifier—PSPNetClassifier アーキテクチャーがモデルのトレーニングに使用されます。 PSPNetClassifier の使用目的はピクセル分類です。

  • ANN—ANN アーキテクチャーがモデルのトレーニングに使用されます。 ANN の使用目的はピクセル分類です。

  • APCNet—APCNet アーキテクチャーがモデルのトレーニングに使用されます。 APCNet の使用目的はピクセル分類です。

  • CCNet—CCNet アーキテクチャーがモデルのトレーニングに使用されます。 CCNet の使用目的はピクセル分類です。

  • CGNet—CGNet アーキテクチャーがモデルのトレーニングに使用されます。 CGNet の使用目的はピクセル分類です。

  • DETReg—DETReg アーキテクチャーがモデルのトレーニングに使用されます。 DETReg の使用目的はオブジェクト検出です。

  • DynamicRCNN—DynamicRCNN アーキテクチャーがモデルのトレーニングに使用されます。 DynamicRCNN の使用目的はオブジェクト検出です。

  • EmpiricalAttention—EmpiricalAttention アーキテクチャーがモデルのトレーニングに使用されます。 EmpiricalAttention の使用目的はオブジェクト検出です。

  • FCOS—FCOS アーキテクチャーがモデルのトレーニングに使用されます。 FCOS の使用目的はオブジェクト検出です。

  • FoveaBox—FoveaBox アーキテクチャーがモデルのトレーニングに使用されます。 FoveaBox の使用目的はオブジェクト検出です。

  • FSAF—FSAF アーキテクチャーがモデルのトレーニングに使用されます。 FSAF の使用目的はオブジェクト検出です。

  • GHM—GHM アーキテクチャーがモデルのトレーニングに使用されます。 GHM の使用目的はオブジェクト検出です。

  • LibraRCNN—LibraRCNN アーキテクチャーがモデルのトレーニングに使用されます。 LibraRCNN の使用目的はオブジェクト検出です。

  • PaFPN—PaFPN アーキテクチャーがモデルのトレーニングに使用されます。 PaFPN の使用目的はオブジェクト検出です。

  • Res2Net—Res2Net アーキテクチャーがモデルのトレーニングに使用されます。 Res2Net の使用目的はオブジェクト検出です。

  • SABL—SABL アーキテクチャーがモデルのトレーニングに使用されます。 SABL の使用目的はオブジェクト検出です。

  • VFNet—VFNet アーキテクチャーがモデルのトレーニングに使用されます。 VFNet の使用目的はオブジェクト検出です。

  • DMNet—DMNet アーキテクチャーがモデルのトレーニングに使用されます。 DMNet の使用目的はピクセル分類です。

  • DNLNet—DNLNet アーキテクチャーがモデルのトレーニングに使用されます。 DNLNet の使用目的はピクセル分類です。

  • FastSCNN—FastSCNN アーキテクチャーがモデルのトレーニングに使用されます。 FastSCNN の使用目的はピクセル分類です。

  • FCN—FCN アーキテクチャーがモデルのトレーニングに使用されます。 FCN の使用目的はピクセル分類です。

  • GCNet—GCNet アーキテクチャーがモデルのトレーニングに使用されます。 GCNet の使用目的はピクセル分類です。

  • MobileNetV2—MobileNetV2 アーキテクチャーがモデルのトレーニングに使用されます。 MobileNetV2 の使用目的はピクセル分類です。

  • NonLocalNet—NonLocalNet アーキテクチャーがモデルのトレーニングに使用されます。 NonLocalNet の使用目的はピクセル分類です。

  • OCRNet—Mask2Former アーキテクチャーがモデルのトレーニングに使用されます。 Mask2Former の使用目的はピクセル分類です。

  • PSANet—PSANet アーキテクチャーがモデルのトレーニングに使用されます。 PSANet の使用目的はピクセル分類です。

  • SemFPN—SemFPN アーキテクチャーがモデルのトレーニングに使用されます。 SemFPN の使用目的はピクセル分類です。

  • UperNet—UperNet アーキテクチャーがモデルのトレーニングに使用されます。 UperNet の使用目的はピクセル分類です。

  • MaskRCNN—MaskRCNN アーキテクチャーがモデルのトレーニングに使用されます。 MaskRCNN の使用目的はオブジェクト検出です。

  • SamLoRA—SamLoRA アーキテクチャーがモデルのトレーニングに使用されます。 SamLoRA の使用目的はピクセル分類です。

  • RTDetrV2—RTDetrV2 アーキテクチャーがモデルのトレーニングに使用されます。 RTDetrV2 の使用目的はオブジェクト検出です。

String

評価済みモデルの保存

(オプション)

すべての評価済みモデルを保存するかどうか指定します。

  • オン—すべての評価済みモデルを保存します。

  • オフ—最善モデルのみを保存します。 これがデフォルトです。

Boolean

派生した出力

ラベル 説明 データ タイプ

出力モデル ファイル

出力モデル ファイルです。

File

環境

GPU ID

ライセンス情報

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