ArcGIS Image Server stellt eine Reihe von Deep-Learning-Werkzeugen 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.
ArcGIS Image Server bietet eine Reihe von Werkzeugen zur Unterstützung von End-to-End-Deep-Learning-Workflows. Sie können Ihre Raster-Daten verwenden, um Modelltrainingsdaten vorzubereiten, Deep-Learning-Modelle zu trainieren und Inferenzwerkzeuge wie Bildklassifizierung und Objekterkennung zu verwenden.
Um Deep-Learning-Funktionen in ArcGIS Server zu aktivieren, müssen zwei Anforderungen erfüllt werden:
- Konfigurieren und Bereitstellen der Raster-Analyse für das Unternehmen
- Installieren von Deep-Learning-Paketen
für ArcGIS Image Server
Setup von Deep-Learning-Bibliotheken
Um Deep-Learning-Raster-Analysen im Raster-Analyseserver auszuführen, müssen Sie Deep-Learning-Bibliotheken installieren, da der Raster-Analyseserver Python-Pakete von Drittanbietern zur Unterstützung von Deep-Learning-Workflows verwendet. Nachdem Sie einen Raster-Analyseserver installiert und konfiguriert haben, gehen Sie wie im folgenden Abschnitt beschrieben vor, um Deep-Learning-Bibliotheken zu installieren.
Anweisungen zum Installieren der Deep-Learning-Pakete finden Sie im Deep Learning Installation Guide für ArcGIS Image Server 10.8.1.
Installieren von Deep-Learning-Bibliotheken
Führen Sie zum Installieren von Deep-Learning-Bibliotheken die folgenden Schritte auf den Computern des Raster-Analyseservers aus:
Windows
- Navigieren Sie zum Repository deep-learning-frameworks, und laden Sie das Installationsprogramm Deep Learning Libraries Installer for ArcGIS Server herunter.
- Extrahieren Sie die heruntergeladene ZIP-Datei an einem neuen Speicherort.
- Führen Sie das Setup-Installationsprogramm am Speicherort der extrahierten Datei aus.
- Befolgen Sie die Anweisungen des Installationsassistenten, um die Deep-Learning-Bibliotheken zu installieren.
Linux
- Navigieren Sie zum Repository deep-learning-frameworks, und laden Sie das Installationsprogramm Deep Learning Libraries Installer for ArcGIS Server Linux herunter.
- Extrahieren Sie die heruntergeladene Archivdatei mit dem Befehl tar xvf <file>.tar.gz.
- Führen Sie das aus der Archivdatei extrahierte Skript DeepLearling-Setup.sh aus.
- Aktualisieren Sie die Variable ARCGIS_CONDA_DEEPLEARNING in der Datei <Server Install>/server/usr/init_user_param.sh.
- Starten Sie den ArcGIS Server für die Raster-Analyse neu.
Wenn die Raster-Analyseserver-Site mehrere Knoten umfasst, müssen Sie die oben beschriebenen Schritte auf allen Knoten ausführen.
Überprüfen der Installation der Deep-Learning-Bibliothek
Als letzten Schritt fragen Sie ein Deep-Learning-Modell des ArcGIS Living Atlas of the World ab, um zu überprüfen, ob die Deep-Learning-Bibliotheken korrekt installiert sind, indem Sie ein Deep-Learning-Paket hochladen und es in einem Werkzeug auswählen.
- Navigieren Sie in einem Browser zu ArcGIS Living Atlas, und laden Sie das Paket Building Footprint Extraction – USA herunter. Das Deep-Learning-Paket hat die Dateierweiterung ".dlpk".
- Melden Sie sich bei Ihrem Portal for ArcGIS an.
- Navigieren Sie zu Inhalt, und klicken Sie auf Neues Element.
- Ziehen Sie das heruntergeladene Deep-Learning-Paket per Drag & Drop in den Assistenten.
- Klicken Sie auf Speichern, um das Deep-Learning-Paket zu aktualisieren.
- Klicken Sie auf das App-Startprogramm, und öffnen Sie Map Viewer.
- Klicken Sie in Map Viewer auf der Werkzeugleiste Einstellungen auf der rechten Seite der Karte auf die Schaltfläche Analyse.
- Klicken Sie auf Werkzeuge, wählen Sie Deep Learning verwenden aus, und wählen Sie das Werkzeug Objekte mit Deep Learning erkennen aus, um die Werkzeugparameter einzublenden.
- Klicken Sie im Abschnitt Modelleinstellungen auf Modell auswählen, um das Deep-Learning-Modell für das Werkzeug auszuwählen.
Im Dialogfeld Element auswählen wird der Ordner Eigene Inhalte geöffnet, in dem die Deep-Learning-Pakete verfügbar sind.
- Wählen Sie im Dialogfeld "Element auswählen" den Eintrag Building Footprint Extraction – USA aus, und klicken Sie auf Bestätigen.
Wenn die Deep-Learning-Bibliotheken erfolgreich geladen wurden, werden die Modellargumente im Werkzeug angezeigt.
Die Modellparameter für das Deep-Learning-Paket werden im Werkzeug angezeigt, wenn die Bibliotheken ordnungsgemäß installiert sind.
Der Raster-Analyseserver ist nun bereit für Deep-Learning-Analysen.
Verwendung von GPUs zum Ausführen von Deep Learning
Alle Werkzeuge in einem Deep-Learning-Workflow für die Raster-Analyse enthalten den Umgebungsparameter processorType, der steuert, ob die Verarbeitung auf der CPU oder auf der GPU erfolgt. 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 Classic, ArcGIS REST API oder ArcGIS API for Python festgelegt.
Im Raster-Analyseserver können Inferenzwerkzeuge zum Beschleunigen der Auftragsverarbeitung eine GPU verwenden. Für die GPU gelten die folgenden Anforderungen:
- GPU-Typ: NVIDIA-GPU mit CUDA Compute Capability 5.0 (Mindestversion), empfohlene Version 6.1 oder höher.
- GPU-Treiber: NVIDIA Treiberversion 527.41 oder höher ist erforderlich.
- Dedizierter Grafikspeicher:
- Minimum: 6 GB
- Empfohlen: mindestens 16 GB Die Speicheranforderung hängt von der Modellarchitektur und der verwendeten Batch-Größe ab.
Wenn alle GPU-Anforderungen erfüllt sind, müssen Sie das RasterProcessingGPU-Pooling überprüfen. Inferenzwerkzeuge werden über den Service RasterProcessingGPU ausgeführt.
Führen Sie die folgenden Schritte aus:
- Navigieren Sie in einem Browser zu ArcGIS Server Manager > Services > System > RasterProcessingGPU > Services verwalten > Pooling.
- Vergewissern Sie sich, dass die Maximale Anzahl von Instanzen pro Computer auf 1 festgelegt ist. Falls die Maximale Anzahl von Instanzen pro Computer nicht auf 1 festgelegt ist, ändern Sie die Anzahl auf 1, und klicken Sie auf Speichern und neu starten.
Ab Version 10.8 kann eine GPU auf einem Serverknoten von mehreren Service-Instanzen verwendet werden. Die maximale Anzahl der Instanzen pro Computer des RasterProcessingGPU-Service muss auf 1 festgelegt werden.
Verwendung mehrerer GPUs
Vom Raster-Analyseserver können mehrere GPUs in einer Server-Site verwendet werden, um die Inferenzverarbeitung zu beschleunigen.
Um die Funktion zur Verwendung mehrerer GPUs zu aktivieren, führen Sie die folgenden Schritte auf jedem GPU-Computer aus:
- Vergewissern Sie sich, dass die GPU-Anforderungen erfüllt sind.
- Installieren Sie ArcGIS GIS Server.
- Installieren Sie Deep-Learning-Bibliotheken.
- Verbinden Sie den Computer mit der vorhandenen Raster-Analyseserver-Site.
Hinweis:
Der Raster-Analyseserver unterstützt nur eine GPU pro Computer. Wenn auf einem Computer mehrere GPUs verfügbar sind, wird nur eine GPU zum Verarbeiten eines Auftrags verwendet. Es wird ferner empfohlen, für alle Computer dieselbe GPU und Hardware zu verwenden, um ein stabileres Serververhalten sicherzustellen.
Nach dem Konfigurieren der oben beschriebenen Einstellungen können Sie die Umgebungseinstellungen Prozessortyp und Faktor für parallele Verarbeitung verwenden, um mehrere GPUs zu verwenden und die Performance der Deep-Learning-Inferenzaufträge zu verbessern.