Das Werkzeug "Pixel mit Deep Learning klassifizieren" führt ein trainiertes Deep-Learning-Modell auf einem Eingabebild zur Erstellung eines klassifizierten Rasters aus.
Workflow-Diagramm
Beispiel
Sie haben ein Multiband-Satellitenbild und möchten ein Landbedeckungsraster mithilfe eines trainierten Deep-Learning-Modells erzeugen.
Verwendungshinweise
Wenn dieses Werkzeug ausgeführt wird, ruft der Raster-Analyse-Server eine Deep-Learning-Python-API eines Drittanbieters auf und verwendet zum Verarbeiten der einzelnen Raster-Kacheln die angegebene Python-Raster-Funktion.
Das Deep-Learning-Eingabemodell für dieses Werkzeug muss ein Deep-Learning-Paketelement (.dlpk) sein, das in Ihrem Portal gespeichert ist. Sie können ein .dlpk-Element mit dem Geoverarbeitungswerkzeug Deep-Learning-Modell trainieren in ArcGIS Pro oder dem Raster-Analyse-Werkzeug ArcGIS REST API erzeugen.
Nachdem das Eingabemodell ausgewählt oder angegeben wurde, werden die Modellargumente vom Raster-Analyse-Server abgerufen. Das Werkzeug kann diese Informationen möglicherweise nicht abrufen, wenn das Modell ungültig ist oder der Raster-Analyse-Server nicht ordnungsgemäß für Deep Learning konfiguriert wurde.
Das .dlpk-Eingabeelement muss eine Esri Modelldefinitionsdatei (.emd) enthalten. Siehe .emd-Beispieldatei unten.
{
"Framework":"TensorFlow",
"ModelConfiguration":"deeplab",
"ModelFile":"\\Data\\ImgClassification\\TF\\froz_inf_graph.pb",
"ModelType":"ImageClassification",
"ExtractBands":[0,1,2],
"ImageHeight":513,
"ImageWidth":513,
"Classes" : [
{
"Value":0,
"Name":"Evergreen Forest",
"Color":[0, 51, 0]
},
{
"Value":1,
"Name":"Grassland/Herbaceous",
"Color":[241, 185, 137]
},
{
"Value":2,
"Name":"Bare Land",
"Color":[236, 236, 0]
},
{
"Value":3,
"Name":"Open Water",
"Color":[0, 0, 117]
},
{
"Value":4,
"Name":"Scrub/Shrub",
"Color":[102, 102, 0]
},
{
"Value":5,
"Name":"Impervious Surface",
"Color":[236, 236, 236]
}
]
}Wenn die Option Aktuelle Kartenausdehnung verwenden aktiviert ist, werden nur die Pixel analysiert, die in der aktuellen Kartenausdehnung sichtbar sind. Wenn sie deaktiviert ist, wird der gesamte Eingabe-Bilddaten-Layer analysiert.
Die Parameter für dieses Werkzeug sind in der folgenden Tabelle aufgeführt:
| Parameter | Erläuterung |
|---|---|
| Bild für die Klassifizierung von Pixeln auswählen | Das Eingabebild für die Klassifizierung. |
| Deep-Learning-Modell für die Klassifizierung von Pixeln auswählen | Das Eingabe-Deep-Learning-Paketelement (.dlpk). Das Deep-Learning-Paket besteht aus der JSON-Datei mit der Esri Modelldefinition (.emd), der binären Datei des Deep-Learning-Modells und optional aus der zu verwendenden Python-Raster-Funktion. |
| Argumente für das Deep-Learning-Modell angeben | Die Funktionsargumente werden in der Python-Raster-Funktion definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an. Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls aufgefüllt. |
| Verarbeitungsmodus | Legt fest, wie alle Raster-Elemente in einem Image-Service verarbeitet werden.
|
| Name des Ergebnis-Layers | Der Name des Layers, der in Eigene Inhalte erstellt und der Karte hinzugefügt wird. Der Standardname basiert auf dem Werkzeugnamen und dem Namen des Eingabe-Layers. Wenn der Layer bereits vorhanden ist, werden Sie aufgefordert, einen anderen Namen einzugeben. Sie können den Namen eines Ordners in Eigene Inhalte angeben, in dem das Ergebnis über das Dropdown-Feld Ergebnis speichern in gespeichert wird. |
Umgebungen
Umgebungseinstellungen für die Analyse sind zusätzliche Parameter, mit denen die Ergebnisse eines Werkzeugs beeinflusst werden können. Sie können auf die Analyseumgebungseinstellungen des Werkzeugs zugreifen, indem Sie oben im Werkzeugbereich auf das Symbol 
klicken.
Dieses Werkzeug berücksichtigt die folgenden Analyseumgebungen:
- Ausgabe-Koordinatensystem: Gibt das Koordinatensystem des Ausgabe-Layers an.
- Ausdehnung: Gibt den Bereich an, der für die Analyse verwendet werden soll.
- Fang-Raster: Passt die Ausdehnung der Ausgabe an, sodass sie der Zellenausrichtung des angegebenen Fang-Raster-Layers entspricht.
- Zellengröße: Die im Ausgabe-Layer zu verwendende Zellengröße.
- Faktor für parallele Verarbeitung: Steuert die CPU- oder GPU-Instanzen für die Raster-Verarbeitung.
- Prozessortyp: Legt fest, ob die GPU oder die CPU für die Verarbeitung der Daten verwendet wird.
Ähnliche Werkzeuge und Raster-Funktionen
Verwenden Sie das Werkzeug "Pixel mit Deep Learning klassifizieren", um jedes Pixel in einem Bild zu klassifizieren. Andere Werkzeuge können bei ähnlichen Problemstellungen hilfreich sein.
Analysewerkzeuge und Raster-Funktionen in Map Viewer Classic
Verwenden Sie das Werkzeug Objekte mit Deep Learning erkennen, um die Position von Objekten in einem Bild zu ermitteln. Verwenden Sie das Werkzeug Objekte mit Deep Learning klassifizieren, um Objekte in einem Bild zu klassifizieren.
Verwenden Sie die Raster-Funktionen "Klassifizieren" oder "ML-Klassifikation" für andere Klassifizierungsoptionen.
Analysewerkzeuge und Raster-Funktionen in ArcGIS Pro
Das Geoverarbeitungswerkzeug Pixel mit Deep Learning klassifizieren ist in der Toolbox Image Analyst verfügbar. Mit anderen Werkzeugen im Toolset Deep Learning lassen sich Deep-Learning-Workflows durchführen.
ArcGIS Enterprise-Entwicklerressourcen
Wenn Sie in ArcGIS REST API arbeiten, verwenden Sie den Vorgang Classify Pixels Using Deep Learning.
Wenn Sie in ArcGIS API for Python 
arbeiten, führen Sie Deep-Learning-Aufgaben mit dem arcgis.learn-Modul durch.