Skip to main content

配置 ArcGIS Image Server 以进行深度学习栅格分析

ArcGIS Image Server 提供一套深度学习工具,用于分类和检测影像中的对象。 这些工具允许您生成训练样本数据集并将其导出至深度学习框架,以开发深度学习模型。 然后,您可以执行数据推断工作流,如影像分类和对象检测。

ArcGIS Image Server 提供一套工具来支持端到端的深度学习工作流。 您可以使用栅格数据来准备模型训练数据,训练深度学习模型以及使用推理工具(例如影像分类和对象检测)。

要在 ArcGIS Server 中启用深度学习功能,您需要满足两个要求:

  1. 在您的企业上配置和部署栅格分析。

  2. 为 ArcGIS Image Server 安装深度学习软件包 。

设置深度学习库

要在栅格分析服务器中运行深度学习栅格分析,您需要安装深度学习库,因为栅格分析服务器利用第三方 Python 包来支持深度学习工作流。 安装并配置了栅格分析服务器后,请按照下面的部分安装深度学习库。

有关如何安装深度学习包的说明,请参阅 ArcGIS Image Server 的深度学习安装指南 。

如果您的栅格分析服务器站点上有多个节点,则需要在所有节点上执行上述步骤。

验证深度学习库安装

作为最后一步,您将通过上传深度学习包并在工具中选择它来查询 ArcGIS Living Atlas of the World 深度学习模型,以验证深度学习库是否正确安装。

  1. 在浏览器中,导航至 ArcGIS Living Atlas,然后下载建筑物覆盖区提取 - 美国。 深度学习包的文件扩展名为 .dlpk。

  2. 登录 Portal for ArcGIS。

  3. 导航至内容,然后单击新建项目。

  4. 将下载的深度学习包拖放到向导中。

  5. 点击保存更新深度学习包。

  6. 单击应用程序启动器,然后打开 Map Viewer。

  7. 在 Map Viewer 中,单击地图右侧设置工具栏上的分析按钮。

  8. 单击工具,选择使用深度学习,然后选择使用深度学习检测对象工具以展开工具参数。

  9. 在模型设置部分中,单击选择模型以选择工具的深度学习模型。

    在选择项目对话框中,将打开我的内容文件夹,此处将提供您的所有深度学习包。

  10. 在“选择项目”对话框中,选择建筑物覆盖区提取 - 美国,然后单击确认。

    如果成功加载了深度学习库,那么工具中的模型参数将出现在工具中。

    深度学习模型参数

    正确安装库后,深度学习包的模型参数将显示在工具中。

现在,您的栅格分析服务器已准备好执行深度学习分析。

使用 GPU 运行深度学习

深度学习栅格分析工作流中的每个工具都包括一个 processorType 环境参数,该参数控制处理是在 CPU 还是 GPU 上进行。 请确保此参数正确指定在发出请求时使用 CPU 还是 GPU。 可在 ArcGIS Pro、Map Viewer Classic、ArcGIS REST API 或 ArcGIS API for Python 的工具或栅格函数界面中设置 processorType 环境参数。

在栅格分析服务器中,推理工具可以使用 GPU 来加速作业处理。 关于 GPU 的要求如下所述:

先决条件:

  • GPU 类型:NVIDIA GPU,最低 CUDA 计算能力为 5.0;建议使用 6.1 或更高版本。

  • GPU 驱动程序:需要 527.41 或更高版本的 NVIDIA 驱动程序。

  • 专用图形内存:

    • 最低:6 GB

    • 推荐:16 GB 或更高 内存要求取决于所使用的模型架构和批量大小。

满足所有 GPU 要求后,需要验证 RasterProcessingGPU 池。 RasterProcessingGPU 是负责运行推断工具的服务。

请按照以下步骤操作:

  1. 在浏览器中,导航至 ArcGIS Server Manager > 服务 > 系统 > RasterProcessingGPU > 管理服务 > 池化。

  2. 将每台计算机的最大实例数设置为计算机上的 GPU 数量。 如果您的计算机中只有一个 GPU,则将每台计算机的最大实例数设置为 1。 单击保存并重新启动。

设置栅格处理 GPU。

在栅格分析服务器中使用多个 GPU

栅格分析服务器可利用多个 GPU 加速深度学习模型训练和推断。 GPU 使用率取决于操作系统和任务类型。

概述

  • ArcGIS Server (Linux):

    • 支持单台计算机上进行多 GPU 训练。

    • 支持每个节点一个 GPU 的多节点推断。

  • ArcGIS Server (Windows):

    • 支持使用每个节点中的所有 GPU 进行多节点推断。

    • 训练仅使用一个节点中的一个 GPU。

要求

  1. 确认是否满足 GPU 要求。

  2. 安装 ArcGIS GIS Server。

  3. 安装深度学习库。

  4. 将计算机连接到现有栅格分析服务器站点。

提示:

要获得稳定的服务器性能,站点中的所有 GPU 在每个节点中的类型和数量应相同。

推断

  • Windows:

    • 将所有节点中的所有 GPU 用于推断。

    • 示例:如果您具有 3 个节点,每个节点包含 4 个GPU → 共计 12 个 GPU。

  • Linux:

    • 使用每个节点中的一个 GPU,但可以使用多个节点。

    • 示例:如果您具有 3 个节点,每个节点包含 4 个GPU → 共计 3 个 GPU。

受支持的工具:

  • 使用深度学习检测对象

  • 使用深度学习分类像素

  • 使用深度学习检测变化

配置步骤 (Windows):

  1. 打开 ArcGIS Server Manager → 服务 → 系统 → RasterProcessingGPU → 管理服务 → 池化。

  2. 将每台计算机的最大实例数设置为计算机上的 GPU 数量。

  3. 保存并重新启动。

配置步骤 (Linux):

  1. 保持每台计算机的最大实例数设置为 1。

在栅格分析服务器站点中启用多 GPU 功能后,可通过设置处理器类型和并行处理因子环境设置控制推断作业使用 GPU 的方式。 这有助于避免服务器资源过载。

训练

  • Windows:

    • 训练仅使用一个节点中的一个 GPU。
  • Linux(从 12.1 版本开始):

    • 对于 MaskRCNN 和 U-Net 模型,支持在单台计算机中进行多 GPU 训练。

    • 使用一个节点中的所有 GPU。

    • 示例:如果一个节点具有 4 个 GPU → 共计 4 个 GPU。

汇总表

操作系统 任务 所用节点 每个节点的 GPU 数 所用 GPU 总数 备注
窗口 推断 所有节点 所有 GPU 站点中的所有 GPU 多节点,多 GPU
窗口 培训 1 1 1 仅单 GPU
Linux 推断 所有节点 1 每个节点一个 GPU 多节点,单 GPU
Linux 培训 1 1 所有 GPU 多 GPU(针对 MaskRCNN 和 U-Net)