Выявить изменения при помощи глубокого обучения (Инструменты Image Analyst)

Краткая информация

Запускает обученную модель глубокого обучения для выявления изменений между двумя растрами.

Для этого инструмента требуется файл определения модели, содержащий обученную информацию о модели. Файл определения модели может быть файлом JSON определения модели Esri (.emd) или пакетом модели глубокого обучения, и он должен содержать путь к функции растра Python, вызываемой для обработки каждого объекта, и путь к обученному двоичному файлу модели глубокого обучения.

Использование

Входными данными для этого инструмента являются два изображения: более раннее и более позднее. Результатом является классифицированный набор растровых данных, который показывает разницу между двумя входными растрами.
Необходимо установить соответствующую среду глубокого обучения Python API (например, PyTorch) в среду Python ArcGIS Pro; в противном случае при добавлении файла определения модели Esri в инструмент появится сообщение об ошибке. Получите соответствующую информацию о платформе от создателя файла определения модели Esri.

Чтобы настроить компьютер на работу в среде глубокого обучения в ArcGIS Pro, см. раздел Установка сред глубокого обучения для ArcGIS.
Этот инструмент вызывает сторонний Python API для глубокого обучения (такой, как PyTorch) и использует указанную функцию растра Python для обработки каждого объекта.
Значением параметра Определение модели может быть файл JSON определения модели Esri (.emd), строка JSON или пакет модели глубокого обучения (.dlpk). Строка JSON полезна при использовании инструмента на сервере, чтобы вы могли вставить необходимую строку JSON, вместо загрузки файла .emd. Файл .dlpk должен быть сохранен локально.
Могут потребоваться дополнительные входные параметры, такие как размер mini-batch, размер заполнения и т.д.
Используйте пример ниже для файла JSON определения модели (.emd).

Пример файла JSON определения модели.

<!--```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] } ] }
Увеличение размера пакета может повысить производительность инструмента, но по мере его увеличения используется все больше памяти. При появлении ошибки переполнения памяти задайте меньший размер пакета. Значение batch_size можно настроить с помощью параметра Аргументы.
Размеры пакета указываются в квадратах целых чисел: 1, 4, 9, 16, 25, 64 и т.д. Если входное значение не является квадратом числа, будет использоваться максимальный квадрат целого числа. К примеру, если указано значение 6, то устанавливается размер пакета равный 4.
Этот инструмент поддерживает и использует несколько графических процессоров, если таковые доступны. Чтобы использовать определенный графический процессор, задайте параметр среды GPU ID. Если GPU ID не задан, инструмент использует все доступные графические процессоры. Используется по умолчанию.

Когда для параметра среды Тип процессора задано ЦПУ, а для Коэффициент параллельной обработки значение не указано, инструмент будет использовать для Коэффициента параллельной обработки значение, равное 50%.

Информацию о требованиях к запуску этого инструмента и проблемах, с которыми вы можете столкнуться, см. в разделе Часто задаваемые вопросы по глубокому обучению.
Дополнительную информацию о глубоком обучении см. в разделе Глубокое обучение с помощью дополнительного модуля ArcGIS Image Analyst.

Подпись	Объяснение	Тип данных
Растр Из	Входной растр до изменений.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
Растр В	Входной растр после изменений.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
Выходной классифицированный растр	Выходной классифицированный растр с отображением изменений.	Raster Dataset
Определение модели	Значением параметра Определение модели может быть файл JSON определения модели Esri (`.emd`), строка JSON или пакет модели глубокого обучения (`.dlpk`). Строка JSON полезна при использовании инструмента на сервере, чтобы вы могли вставить необходимую строку JSON, вместо загрузки файла `.emd`. Файл `.dlpk` должен быть сохранен локально. Он содержит путь к файлу двоичной модели глубокого обучения, путь к используемой растровой функции Python и другие параметры, такие как предпочтительный размер листа или отступы.	File; String
Аргументы (Дополнительный)	Для заполнения этого параметра будет использоваться информация из параметра Определение модели. Эти аргументы меняются в зависимости от архитектуры модели. Ниже приведены поддерживаемые аргументы для моделей, обученных в ArcGIS. Предварительно обученные модели ArcGIS и пользовательские модели глубокого обучения могут иметь дополнительные аргументы, поддерживаемые инструментом. `padding`—Количество пикселов на границе листов изображений, из которых складываются прогнозные данные для смежных листов. Чтобы сгладить результат при уменьшении артефактов, увеличьте значение. Максимальное значение padding может составлять половину значения размера листа. Аргумент доступен для всех архитектур моделей. `batch_size`—Количество листов изображений, обработанных на каждом этапе построения модели. Оно зависит от объема памяти видеокарты. Аргумент доступен для всех архитектур моделей. Столбцы таблицы значений: Name–The name of the function argument. Value–The value of the function argument.	Value Table

DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster, in_model_definition, {arguments})

Имя	Объяснение	Тип данных
from_raster	Входной растр до изменений.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
to_raster	Входной растр после изменений.	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
out_classified_raster	Выходной классифицированный растр с отображением изменений.	Raster Dataset
in_model_definition	Значением параметра `in_model_definition` может быть файл JSON определения модели Esri (`.emd`), строка JSON или пакет модели глубокого обучения (`.dlpk`). Строка JSON полезна при использовании инструмента на сервере, чтобы вы могли вставить необходимую строку JSON, вместо загрузки файла `.emd`. Файл `.dlpk` должен быть сохранен локально. Он содержит путь к файлу двоичной модели глубокого обучения, путь к используемой функции растра Python и другие параметры, например, предпочтительный размер листа или отступы.	File; String
arguments [arguments,...] (Дополнительный)	Информация из параметра `in_model_definition` будет использоваться для задания значений по умолчанию для этого параметра. Эти аргументы меняются в зависимости от архитектуры модели. Ниже приведены поддерживаемые аргументы для моделей, обученных в ArcGIS. Предварительно обученные модели ArcGIS и пользовательские модели глубокого обучения могут иметь дополнительные аргументы, поддерживаемые инструментом. `padding`—Количество пикселов на границе листов изображений, из которых складываются прогнозные данные для смежных листов. Чтобы сгладить результат при уменьшении артефактов, увеличьте значение. Максимальное значение padding может составлять половину значения размера листа. Аргумент доступен для всех архитектур моделей. `batch_size`—Количество листов изображений, обработанных на каждом этапе построения модели. Оно зависит от объема памяти видеокарты. Аргумент доступен для всех архитектур моделей. Столбцы таблицы значений: `Name`–The name of the function argument. `Value`–The value of the function argument.	Value Table

Пример кода

DetectChangeUsingDeepLearning, пример 1 (окно Python)

В этом примере запускается модель глубокого обучения для обнаружения изменений между двумя изображениями.

# Import system modules
import arcpy
from arcpy.ia import *

DetectChangeUsingDeepLearning("c://detectchange//input_image1.tif",
     "c://detectchange//input_image2.tif", "c://detectchange//output_difference.tif",
     "c://detectchange/detectBuilding.emd", "padding 0;score_threshold 0.6;batch_size 4")

DetectChangeUsingDeepLearning, пример 2 (автономный скрипт)

В этом примере запускается модель глубокого обучения для обнаружения изменений между двумя изображениями.

# Import system modules
import arcpy
from arcpy.ia import *

"""
Usage: DetectObjectsUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, {model_arguments})
"""

# Set local variable
from_raster = r"c:/detectchange/input_image1.tif"
to_raster = r"c:/detectchange/input_image2.tif"
out_classified_raster = r"c:/detectchange/output_difference.tif"
in_model_definition = r"c:/ detectchange/detectbuilding.emd"

# arcpy.env.processorType = "GPU"
# arcpy.env.gpuId = 0

# Run
DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, "padding 0;score_threshold 0.6;batch_size 4")

Параметры среды

Размер ячейки, Текущая рабочая область, Экстент, Географические преобразования, GPU ID, Выходная система координат, Коэффициент параллельной обработки, Тип процессора, Временная рабочая область

Информация о лицензировании

Basic: Требуется Image Analyst
Standard: Требуется Image Analyst
Advanced: Требуется Image Analyst