Обучение модели выявления объектов облака точек (Инструменты 3D Analyst)

Краткая информация

Обучение модели выявления объектов для облаков точек при помощи глубокого обучения.

Использование

• Для этого инструмента требуется установка Deep Learning Essentials, который содержит несколько решений нейронных сетей, включая нейронные архитектуры для классификации облаков точек.

  Чтобы настроить компьютер на работу в среде глубокого обучения в ArcGIS Pro, см. раздел Установка сред глубокого обучения для ArcGIS.

• Если вы собираетесь обучать модели в отключённой среде, см. Дополнительная установка для автономной среды для получения дополнительной информации.

• Использование предварительно обученной модели в обучающем процессе полезно, особенно если у вас есть ограничения в данных, времени или вычислительных ресурсах. Предварительно обученные модели сокращают потребность в тщательном обучении и являются надежной отправной точкой для быстрого создания полезной модели. Чтобы использовать предварительно обученную модель, новые обучающие данные должны быть совместимы с предварительно обученной моделью. Это означает, что новые обучающие данные должны иметь те же атрибуты и коды объектов, что и обучающие данные, которые использовались для создания предварительно обученной модели. Если коды объектов в обучающих данных не соответствуют кодам в предварительно обученной модели, коды объектов обучающих данных необходимо соответствующим образом пересчитать.

• Модель выявления объектов облака точек может быть обучена только с помощью видеокарты NVIDIA с поддержкой CUDA. Если в качестве параметра среды Тип процессора не указан компьютер с видеокартами с поддержкой CUDA, для обучения будет использоваться карта с наиболее оптимальным аппаратным обеспечением. В противном случае, конкретную видеокарту можно назначить в настройках среды GPU ID.

• В процессе обучения будут сообщаться следующие показатели:

  • Epoch—Номер эпохи, с которой связан результат

  • Training Loss—Результат функции потерь энтропии, который усредняется с данными обучения

  • Validation Loss—Результат функции потерь энтропии, который выявляется при применении обученной модели в эпоху данных проверки

  • Average Precision—Отношение точек в данных проверки, которые корректно классифицированы моделью обученной в данную эпоху (истинно положительные) ко всем точкам в данных проверки

  Модель, с низкими потерями при обучении, но высокими потерями при проверке, считается перенаполненной обучающими данными, в результате чего она обнаруживает закономерности из артефактов в обучающих данных, в результате чего модель некорректно работает для данных проверки. Считается, что модель, которая обеспечивает высокие потери при обучении и высокие потери при проверке, не соответствует обучающим данным, так как в ней отсутствуют эффективно выученные шаблоны для создания пригодной для использования модели.

  Более подробно о доступе к результатам классификации облака точек

• Создается папка для хранения моделей контрольных точек, которые являются моделями, созданными в конце каждой эпохи. Имя папки контрольных точек начинается с того же имени, что и модель, и заканчивается суффиксом .checkpoints. Оно хранится в значении параметра Выходное местоположение модели.

Параметры

• Dialog
• Python

Подпись	Объяснение	Тип данных
Входные обучающие данные	Обучающие данные выявления объектов облака точек (файл *.pcotd), которые будут использованы для обучения модели.	File
Местоположение выходной модели	Существующая папка, в которой будет храниться новый каталог, содержащий модель глубокого обучения.	Folder
Имя выходной модели	Имя выходного файла определения модели Esri (*.emd), пакета глубокого обучения (*.dlpk) и каталог, который будет создан для их хранения.	String
Файл определения предварительно обученной модели (Дополнительный)	Предварительно обученная модель выявления объектов, которая будет доработана. Если указана предварительно обученная модель, входные обучающие данные должны иметь те же атрибуты и максимальное количество точек, которые использовались обучающими данными, создавшими модель.	File
Архитектура (Дополнительный)	Определяет архитектуру, которая будет использоваться для обучения модели. Sparsely Embedded Convolutional Detection–The Sparsely Embedded Convolutional Detection (SECOND) architecture will be used. This is the default. Point Transfomer V3–The Point Transformer V3 architecture will be used.	String
Выбор атрибутов (Дополнительный)	Указывает атрибуты точек, которые будут использованы как коды классификации для обучения модели. Доступны будут только те атрибуты, которые есть в обучающих данных облака точек. По умолчанию дополнительные атрибуты не включаются. Intensity–The measure of the magnitude of the lidar pulse return will be used. Return Number–The ordinal position of the point obtained from a given lidar pulse will be used. Number of Returns–The total number of lidar returns that were identified as points from the pulse associated with a given point will be used. Red Band–The red band's value from a point cloud with color information will be used. Green Band–The green band's value from a point cloud with color information will be used. Blue Band–The blue band's value from a point cloud with color information will be used. Near Infrared Band–The near infrared band's value from a point cloud with near infrared information will be used. Relative Height–The relative height of each point in relation to a reference surface, which would typically be a bare earth DEM, will be used.	String
Минимальное количество точек на блок (Дополнительный)	Минимальное число точек, которое должно присутствовать в данном блоке, чтобы он использовался при обучении модели. Значение по умолчанию равно 0.	Long
Переназначить коды объектов (Дополнительный)	Определяет, как значения коды объектов будут заменены с новыми значениями перед обучением модели глубокого обучения. Столбцы таблицы значений: Current Code–The object code value in the training data. Remapped Code–The object code value that the existing code will be changed to.	Value Table
Коды объектов интереса (Дополнительный)	Коды объектов, которые будут использованы для фильтрации объектов в обучающих данных. Если указаны коды объектов, невключенные объекты будут игнорироваться.	Long
Обучать только блоки, содержащие объекты (Дополнительный)	Указывает, будет ли модель обучаться с использованием только содержащих объекты блоков, или всех блоков, включая те, которые не содержат объектов. Отмечено–The model will be trained using only blocks that contain objects. The data used for validation will not be modified. Не отмечено–The model will be trained using all blocks, including those that do not contain objects. This is the default.	Boolean
Описания объектов (Дополнительный)	Описания каждого кода объекта в обучающих данных. Столбцы таблицы значений: Object Code–The object code value that was learned by the model. Description–The object described by the class code.	Value Table
Критерии выборки модели (Дополнительный)	Определяет статистическое смещение, которое будет использовано для определения финальной модели. Validation Loss–The model that achieves the lowest result when the entropy loss function is applied to the validation data will be used. Average Precision–The model that achieves the highest ratio of points in the validation data that were correctly classified by the model trained in the epoch (true positives) over all the points in the validation data will be used. This is the default.	String
Максимальное число эпох (Дополнительный)	Число раз, которое каждый блок данных будет передан вперед и назад через нейронную сеть. Значение по умолчанию равно 25.	Long
Стратегия скорости обучения (Дополнительный)	Определяет, как будет изменяться скорость обучения во время обучения. One Cycle Learning Rate–The learning rate will be cycled throughout each epoch using Fast.AI's implementation of the 1cycle technique for training neural networks to help improve the training of a convolutional neural network. This is the default. Fixed Learning Rate–The same learning rate will be used throughout the training process.	String
Скорость обучения (Дополнительный)	Скорость, с которой существующая информация будет перезаписываться новыми данными. Если значение не задано, оптимальная скорость обучения будет извлечена из кривой обучения в процессе обучения. Используется по умолчанию.	Double
Размер пакета (Дополнительный)	Количество блоков обучающих данных, которые будут обработаны в любой момент времени. Значение по умолчанию равно 2.	Long
Завершить обучение, когда модель больше не улучшается (Дополнительный)	Определяет, будет ли обучение модели остановлено, если метрика, указанная в значении параметра Критерии выбора модели, не регистрирует никаких улучшения по прошествии 5 последовательных эпох. Отмечено–The model training will stop when the model is no longer improving. Не отмечено–The model training will continue until the maximum number of epochs has been reached. This is the default.	Boolean
Настройки архитектуры (Дополнительный)	Настройки архитектуры, которые можно изменить для улучшения результатов обучения. Столбцы таблицы значений: Option–The architecture-specific options that can be modified. Voxel Width–The x- and y-dimensions of the voxel used during training. The corresponding value is in linear units of meters and can be expressed as a double value. Voxel Height–The z-dimension of the voxel used during training. The corresponding value is in linear units of meters and can be expressed as a double value. Voxel Point Limit–The number of points in a given voxel. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during the training process based on the block size and block point limit of the training data. Maximum Training Voxels–The maximum number of voxels that can be used in the training data. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during training. Maximum Validation Voxels–The maximum number of voxels that can be used in the validation data. The corresponding value should be a positive integer. When no value is provided, this limit is calculated during training. Value–The value that corresponds with the option being modified.	Value Table

Производные выходные данные

Подпись	Объяснение	Тип данных
Выходная модель	Созданная выходная модель выявления объектов.	File
Выходная статистика эпох	Выходная таблица ASCII, содержащая статистику эпох, полученную в процессе обучения.	Text File

Параметры среды

GPU ID, Тип процессора

Информация о лицензировании

• Basic: Требуется 3D Analyst
• Standard: Требуется 3D Analyst
• Advanced: Требуется 3D Analyst

Связанные разделы

• [Обзор группы инструментов Облако точек](an-overview-of-the-point-cloud-tools
• Поиск инструмента геообработки](../../help/analysis/geoprocessing/basics/find-geoprocessing-tools.md)
• Подготовка обучающих данных облаков точек
• Выявить объекты из облака точек при помощи обученной модели