Verwenden von Deep-Learning-Modellen in ArcGIS Notebooks

Deep Learning ist eine sich schnell entwickelnde Methode zur Datenanalyse mit maschinellem Lernen, die mittels neuronaler Netzwerke die Prozesse des menschlichen Gehirns nachahmt. In Verbindung mit GIS kann sie eine bessere Datenverarbeitung und genauere Datenanalyse ermöglichen.

Es gibt typischerweise drei große Herausforderungen im Zusammenhang mit Algorithmen des maschinellen Lernens: die Analyse großer Datenmengen, unzureichende Rechenressourcen sowie die Effizienz und Genauigkeit der Algorithmen. Durch die Integration von ArcGIS Notebook Server und Deep-Learning-Algorithmen können Sie diese Herausforderungen einfacher bewältigen.

Deep Learning in ArcGIS Notebook Server

Die in ArcGIS Notebook Server verfügbaren Deep-Learning-Modelle für Bilddaten lassen sich in vier Hauptkategorien einteilen:

• Objektklassifizierung: Wird zum Bestimmen von Feature-Classes verwendet. So lässt sich beispielsweise bestimmen, ob ein Gebäude nach einer Naturkatastrophe beschädigt ist.
• Objekterkennung: Der Lokalisierungsprozess zum Verorten von Objekten in einem Bild innerhalb eines umgebenden Rechtecks. Die Objekterkennung kann beispielsweise verwendet werden, um Schwimmbecken in einem Bild zu erkennen.
• Pixelklassifizierung: Wird verwendet, um Pixeln innerhalb eines Bildes Klassen zuzuweisen. Die Pixelklassifizierung kann beispielsweise zur Klassifizierung der Bodenbedeckung verwendet werden.
• Instanzklassifizierung: Umfasst sowohl die Objekterkennung als auch die Pixelklassifizierung. Die Instanzklassifizierung kann verwendet werden, um ein Objekt zu erkennen und es anschließend genauer zu klassifizieren. Die Pixelklassifizierung kann beispielsweise bei der Schadenserkennung verwendet werden, um nicht nur Schäden zu erkennen, sondern auch um den Schweregrad der Schäden näher zu bestimmen.

Hinweis:

ArcGIS Notebook Server unterstützt auch Modelle, die sich auf Tabellen-, Punktwolken- und andere strukturierte Datasets beziehen.

Vortrainierte Modelle und Trainingsmodelle

Es gibt zwei Methoden von Deep-Learning-Modellen, die Sie in ArcGIS verwenden können:

• Vortrainierte Modelle: Sie werden verwendet, um erste Erkenntnisse aus Daten abzuleiten, ohne dass große Mengen an Trainingsdaten oder eine lange Trainingsdauer für das Modell erforderlich sind. Diese Modelle sind zwar schneller, sind aber nicht genau wie vortrainierte Modelle. Diese Modelle können neu trainiert werden, um ihre Genauigkeit zu verbessern.
  • Beispiel: Klassifizierung der Bodenbedeckung mit wenigen Trainingsdaten unter Verwendung eines UNet-Klassifikators als vortrainiertes Modell
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• Trainieren von Deep-Learning-Modellen: Wenn Sie ein Deep-Learning-Modell anhand eines großen Datasets mit ausreichend Ressourcen und Trainingszeit trainieren, können Sie ein genaueres Modell entwickeln.
  • Beispiel: Klassifizierung der Bodenbedeckung mit wenigen Trainingsdaten unter Verwendung eines UNet-Klassifikators und erneutes Trainieren des Modells
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.lr_find()
    unet.fit(10, lr)                   #10 iterations of model fitting
    unet.show_results()
    unet.per_class_metrics()

Ausführen von Deep-Learning-Modellen in ArcGIS Notebooks

Führen Sie die folgenden Schritte aus, um ein Deep-Learning-Modell in ArcGIS Notebooks auszuführen:

Hinweis:

Da Deep Learning rechenintensiv ist, wird für die Verarbeitung großer Datasets die Verwendung einer leistungsstarken GPU empfohlen.

1. Wählen Sie ein Deep-Learning-Modell in der Gruppe 04_gis_analysts_data_scientists im herunterladbaren Datenarchiv aus.
2. Laden Sie die .ipynb-Datei des Modells herunter, das Sie verwenden möchten.
3. Klicken Sie im Portal auf die Seite Inhalt.
4. Klicken Sie auf Neues Element, und laden Sie die .ipynb-Datei des heruntergeladenen Modells hoch.
5. Öffnen Sie das Notebook, das mit der .ipynb-Modelldatei erstellt wurde.
6. Fügen Sie die Daten hinzu, die Sie analysieren möchten.
7. Führen Sie die folgenden Abschnitte des Notebooks aus:

   1. Eingabedaten vorbereiten
   2. Trainingsdaten visualisieren
   3. Modellarchitektur laden
   4. Das Modell trainieren

      Hinweis:

      Dieser Abschnitt kann übersprungen werden, wenn Sie nur das vortrainierte Modell verwenden möchten.

   5. Das Modell speichern
   6. Inferenz