Skip To Content

Konfigurieren von ArcGIS Image Server für Deep-Learning-Raster-Analysen

ArcGIS Image Server stellt eine Reihe von Deep-Learning-Werkzeugen mit umfassenden Workflows zum Klassifizieren und Erkennen von Objekten in Bilddaten bereit. Mit diesen Werkzeugen können Sie Trainingsgebiet-Datasets generieren und in ein Deep-Learning-Framework exportieren, um ein Deep-Learning-Modell zu entwickeln. Anschließend können Sie Dateninferenz-Workflows wie Bildklassifizierung und Objekterkennung durchführen.

Hinweis:

Damit Sie die GPU-Verarbeitung auf einer Raster-Analyse-Server-Site mit mehreren Computern unter Windows nutzen können, muss auf jedem Serverknoten der Site mindestens eine GPU verfügbar sein. Es ist keine GPU-Karte erforderlich, um die Deep-Learning-Werkzeuge für Ihre Raster-Analyse-Bereitstellung von ArcGIS Image Server auszuführen. Wenn im Raster-Analyse-Servercomputer keine GPU-Karte vorhanden ist, können die Werkzeuge mit der CPU ausgeführt werden. Für einen Raster-Analyse-Servercomputer, wo nur die CPU verwendet wird, muss der MKL-Build (Math Kernel Library) der Deep-Learning-Python-Bibliotheken speziell für TensorFlow- und PyTorch-Pakete installiert werden.

In Version 10.8 können in Inferenz-Raster-Analysen für Deep-Learning mehrere GPUs gleichzeitig auf einem Computer verwendet werden.

Hinweis:

Für Raster-Analysen in einer ArcGIS Image Server-Umgebung können die Python-Module von TensorFlow, PyTorch und Keras mit GPUs verwendet werden. Die Verwendung mehrerer GPUs pro Serverknoten kann für einige Deep-Learning-Modellkonfigurationen angewendet werden, die in ArcGIS vordefiniert sind. Dazu gehören TensorFlow (ObjectDetectionAPI und DeepLab), Keras (MaskRCNN) und PyTorch.

Zusätzliche Unterstützung für Deep Learning in einer Raster-Analyse-Bereitstellung unter Windows und Linux

Nach der Konfiguration von ArcGIS Image Server und der Raster-Analyse-Bereitstellung müssen Sie Pakete für unterstützte Deep-Learning-Frameworks installieren, um die Deep-Learning-Werkzeuge zu verwenden.

Anweisungen zum Installieren der Deep-Learning-Pakete finden Sie im Deep Learning Installation Guide Deep Learning Installation Guide für ArcGIS Image Server 10.8.1.

Nutzung von GPUs

In Version 10.8 kann die GPU auf einem Serverknoten von mehreren Service-Instanzen verwendet werden. Die maximale Anzahl Instanzen pro Computer für den RasterProcessingGPU-Service sollte gemäß der Anzahl der installierten GPU-Karten auf den einzelnen Computern festgelegt werden, die für Deep-Learning-Berechnungen vorgesehen sind. Die Standardeinstellung lautet 1.

Vorsicht:
Erhöhen Sie die maximale Anzahl an Instanzen pro Computer für diesen Service nicht, wenn pro Computer nur eine GPU-Karte installiert ist.

Überprüfen Sie die Werte für die minimale und maximale Anzahl an Instanzen im ArcGIS Server Manager. Navigieren Sie zu Services > Services verwalten > RasterProcessingGPU, und klicken Sie auf RasterProcessingGPU, um zur Bearbeitungsseite zu gelangen. Überprüfen Sie auf der Registerkarte Pooling die Werte für die minimale und maximale Anzahl an Instanzen. Die minimale und maximale Anzahl von Instanzen pro Computer lautet standardmäßig 1. Um mehrere GPUs pro Computer zu verwenden, sollte für die maximale Anzahl an Instanzen pro Computer die Anzahl der installierten GPU-Karten pro Computer eingegeben werden. Wenn auf dem Servercomputer beispielsweise zwei GPUs installiert sind, sollte die maximale Anzahl an Instanzen pro Computer zu 2 geändert werden. Klicken Sie auf Speichern und Neu starten, um die Änderungen zu übernehmen.

Einrichten von GPUs für die Raster-Verarbeitung

Die minimale Anzahl der Instanzen pro Computer des RasterProcessingGPU-Service ist auf 1 als Standardwert festgelegt. Wenn für jeden Serverknoten nur eine GPU-Karte verfügbar ist und Sie Modellinferenzen nacheinander in unterschiedlichen Deep-Learning-Frameworks ausführen möchten, müssen Sie möglicherweise den RasterProcessingGPU-Service neu starten. Übermitteln Sie z. B. den ersten Auftrag für die TensorFlow-Modellinferenz, und starten Sie nach der Übermittlung den Service "RasterProcessingGPU" neu. Übermitteln Sie dann den zweiten Auftrag für die PyTorch-Modellinferenz.

Jede Anforderung in Ihren Deep-Learning-Raster-Analyse-Workflows enthält den Umgebungsparameter processorType. Stellen Sie sicher, dass anhand dieses Parameters ordnungsgemäß festgelegt ist, ob beim Senden von Anforderungen CPU oder GPU verwendet werden soll. Der Umgebungsparameter processorType wird im Werkzeug oder in der Raster-Funktionsschnittstelle in ArcGIS Pro, Map Viewer, ArcGIS REST API oder ArcGIS API for Python festgelegt.