Skip To Content

تصنيف الكائنات باستخدام التعلم الشامل

تصنيف الكائنات باستخدام التعلم الشامل تشغِّل أداة تصنيف الكائنات باستخدام التعلم الشامل نموذج التعلم الشامل المدرب على البيانات النقطية للإدخال وتصنيف المعالم الاختيارية لإنتاج تصنيف أو جدول معلم يحتوي فيه كل كائن إدخال أو معلم على تسمية تصنيف أو فئة معينة.

ملاحظة:‏

لتشغيل هذه الأداة، يجب تكوين البوابة الإلكترونية لتحليل البيانات النقطية.

بالإضافة إلى ذلك، تتطلب أدوات التعلم الشامل تكوين ArcGIS Image Server لتحليلات البيانات النقطية للتعلم الشامل.

إذا لم يمكنك رؤية هذه الأداة في Map Viewer، فاتصل بمسؤول البوابة. قد لا تكون البوابة الإلكترونية مكونة لتحليل البيانات النقطية أو قد لا تكون لديك الامتيازات المطلوبة لتشغيل الأداة.

مخطط سير العمل

سير عمل Classify Objects Using Deep Learning

أمثلة

  • بالنظر إلى صورة أو تصنيف معلم يحدد موقع المنازل، صنِّف كل منزل على أنه إما مدمر أو غير مدمر باستخدام نموذج تعلم شامل مدرب.
  • بالنظر إلى مجموعة صور تُظهر كل صورة شجرة واحدة، صنِّف كل شجرة على أنها إما صحية أو غير صحية باستخدام نموذج تعلم شامل مدرب.

ملاحظات الاستخدام

مع تشغيل هذه الأداة، يستدعي خادم تحليل البيانات النقطية Python API للتعلم الشامل الخاص بجهة خارجية ويستخدم دالة Python النقطية المحددة لمعالجة كل طبقة تجانب نقطية.

يجب أن يكون نموذج التعلم الشامل للإدخال لهذه الأداة عنصر حزمة تعلم شامل (.dlpk) مخزن في بوابتك الإلكترونية. يمكنك إنشاء عنصر .dlpk باستخدام أداة المعالجة الجغرافية Train Deep Learning Model في ArcGIS Pro أو ArcGIS REST API أداة تحليل البيانات النقطية.

بعد تحديد نموذج الإدخال أو تخصيصه، يتم الحصول على وسيطات النموذج من خادم تحليل البيانات النقطية. قد يتعذر على الأداة الحصول على هذه المعلومات إذا كان النموذج غير صالح أو إذا لم يتم تكوين خادم تحليل البيانات النقطية بشكل صحيح للتعلم الشامل.

يجب أن يتضمن عنصر .dlpk المدخل ملف تعريف نموذج Esri (.emd). راجع نموذج ملف .emd أدناه.

{
    "Framework": "Keras",
    "ModelConfiguration":"KerasClassifier",
    "ModelFile":"C:\\DeepLearning\\Damage_Classification_Model_V7.h5",
    "ModelType":"ObjectClassification",
    "ImageHeight":256,
    "ImageWidth":256,
    "ExtractBands":[0,1,2],
    "CropSizeFixed": 1,
    "BlackenAroundFeature": 1,
    "ImageSpaceUsed": "MAP_SPACE", 
    "Classes": [
    {
       "Value": 0,
       "Name": "Damaged",
       "Color": [255, 0, 0]
    },
    {
       "Value": 1,
       "Name": "Undamaged",
       "Color": [76, 230, 0]
    }
    ]
}

إذا تم التأشير على استخدام نطاق الخريطة الحالي، فسيتم فقط تحليل وحدات البكسل المرئية داخل نطاق الخريطة الحالي. إذا لم يتم التأشير، فسيتم تحليل طبقة الصور المدخلة بالكامل.

تُدرج معلمات هذه الأداة في الجدول التالي:

المعلمةالتفسير
اختيار صورة مستخدمة لتصنيف الكائنات

صورة الإدخال التي ستُستخدم لتصنيف الكائنات.

اختيار طبقة معالم للكائنات (اختياري)

طبقة معالم مدخلات النقطة أو الخط أو المضلع التي تحدد موقع كل كائن يتم تصنيفه وتسميته. يمثل كل صف في طبقة معالم المدخلات كائنًا واحدًا.

إذا لم يتم تحديد طبقة معالم المدخلات، فمن المفترض أن تحتوي كل صورة إدخال على كائن واحد ليتم تصنيفها. إذا استخدمت صورة أو صور الإدخال إسنادًا مكانيًا، فسيكون الناتج من الأداة طبقة معالم يُستخدم فيها نطاق كل صورة كشكل هندسي محدد لكل معلم تمت تسميته. إذا لم يتم إسناد صورة أو صور الإدخال مكانيًا، فيكون الناتج من الأداة جدولاً يحتوي على قيم معرف الصورة وتسميات التصنيف لكل صورة.

اختيار نموذج التعلم الشامل المستخدم لتصنيف الكائنات

عنصر باقة التعلم الشامل (.dlpk) للإدخال.

احتوت باقة التعلم الشامل على ملف JSON لتعريف نموذج Esri (.emd) وملف النموذج الثنائي للتعلم الشامل، واختياريًا، دالة البيانات النقطية Python التي ستُستخدم.

تحديد وسيطات نموذج التعلم الشامل

تُحدد وسيطات الدالة في تصنيف دالة البيانات النقطية Python المُسندة بواسطة نموذج الإدخال. هذا هو المكان الذي تُدرج فيه وسيطات ومعلمات التعلم الشامل للتحسين، مثل حد الثقة لتعديل الحساسية.

تتم تعبئة أسماء الوسيطات بواسطة أداة من قراءة وحدة Python.

تحديد اسم حقل تسمية التصنيف (اختياريًا)

اسم الحقل الذي سيحتوي على تسمية التصنيف في طبقة معالم الإخراج.

إذا لم يتم تحديد اسم حقل، فسيتم إنشاء حقل جديد يسمى ClassLabel في طبقة المعالم الناتجة.

وضع المعالجة

يحدد كيفية معالجة جميع عناصر البيانات النقطية في خدمة صورة.

  • معالجة كصورة فسيفساء—سيتم دمج جميع عناصر البيانات النقطية في خدمة الصورة معًا كصورة فسيفساء ومعالجتها. هذا هو الوضع الافتراضي.
  • معالجة جميع عناصر البيانات النقطية بشكل منفصل—ستتم معالجة جميع عناصر البيانات النقطية في خدمة الصورة كصور منفصلة.
.

اسم طبقة النتيجة

اسم الطبقة التي سيتم إنشاؤها في محتواي وإضافتها إلى الخريطة. يستند الاسم الافتراضي إلى اسم الأداة واسم الطبقة المدخلة. إذا وُجدت الطبقة بالفعل، سيطلب منك كتابة اسم آخر.

يمكنك تحديد اسم مجلد في محتواي حيث سيتم حفظ النتيجة باستخدام المربع المنسدل حفظ النتيجة في

بيئات

إعدادات بيئة التحليل هي معلمات إضافية تؤثر على نتائج الأدوات. يمكنك الوصول إلى إعدادات بيئة تحليل الأداة بالنقر على رمز الترس بيئات التحليل أعلى جزء الأداة.

تنفذ هذه الأداة بيئات التحليل:

  • المدى—يحدد المساحة المستخدمة للتحليل.
  • حجم الخلية—حجم الخلية المستخدم في الطبقة الناتجة.
  • الفاصل الزمني لإعادة التدوير لمعالجة العمال—يحدد عدد أقسام الصور المراد معالجتها قبل إعادة تشغيل عمليات العامل.
  • عامل المعالجة الموازية—يتحكم في مثيلات CPU أو GPU لمعالجة البيانات النقطية.
  • عدد مرات إعادة المحاولة عند الفشل—يحدد عدد المحاولات التي ستجريها عملية حساب العامل نفسها عند حدوث فشل عشوائي في معالجة مهمة معينة.

أدوات ودوال بيانات نقطية مماثلة

استخدم أداة Classify Objects Using Deep Learning لتصنيف الكائنات في صورة. قد تكون الأدوات الأخرى مفيدة في حل المشاكل المشابهة.

أدوات تحليل Map Viewer ودوال البيانات النقطية

استخدم أداة Detect Objects Using Deep Learning للكشف عن موقع الكائنات في صورة معينة. استخدم أداة Classify Pixels Using Deep Learning لتصنيف كل وحدة بكسل في صورة معينة.

أدوات تحليل ArcGIS Pro ودوال البيانات النقطية

أداة المعالجة الجغرافية Classify Objects Using Deep Learning متاحة الآن في مربع أدوات Image Analyst. تنفذ الأدوات الأخرى في مجموعة أدوات Deep Learning مهام سير عمل التعلم الشامل.

موارد مطور ArcGIS Enterprise

إذا كنت تعمل في ArcGIS REST API، فاستخدم عملية Classify Objects Using Deep Learning.

إذا كنت تعمل في ArcGIS API for Python، فقم بإجراء مهام التعلم الشامل موقع الويب ArcGIS for Python API باستخدام نموذج arcgis.learn.