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.

Um die Deep-Learning-Werkzeuge für Ihre Raster-Analyse-Bereitstellung von ArcGIS Image Server auszuführen, muss auf jedem Serverknoten der Site eine GPU (Graphical Processing Unit) verfügbar sein.

Hinweis:

In 10.7 können Raster-Analysen nicht mehrere GPUs gleichzeitig auf einem Computer verwenden. Wenn Sie einen Deep-Learning-Raster-Analyse-Workflow auf einem Computer mit mehreren GPUs ausführen, wird nur eine GPU verwendet.

Raster-Analysen in ArcGIS Image Server können das TensorFlow- oder Keras Python-Framework mit GPUs verwenden. Die ArcGIS Image Server-Installation umfasst ein Skriptwerkzeug, um Sie bei der Einrichtung eines Python-Frameworks Ihrer Wahl zu unterstützen.

Zusätzliche Unterstützung für Deep Learning in einer Raster-Analyse-Bereitstellung

Nachdem Sie die Raster-Analyse-Bereitstellung konfiguriert haben, führen Sie die folgenden Schritte aus, um die Python-Ressourcen für Deep-Learning zu installieren. Wenn Sie über eine ArcGIS Image Server-Site mit mehreren Knoten verfügen, wiederholen Sie diese Schritte für jeden Serverknoten.

Das für diese Schritte verwendete Betriebssystemkonto muss mit dem Service-Konto für ArcGIS Image Server identisch sein.

  1. Installieren Sie die entsprechenden NVIDIA-Treiber für das CUDA-Toolkit auf dem Computer.

    Weitere Informationen finden Sie auf der NVIDIA CUDA-Website.

  2. Installieren Sie die cuDNN-Bibliothek (CUDA Deep Neural Network).

    Weitere Informationen finden Sie auf der NVIDIA cuDNN-Website.

  3. Öffnen Sie ein Terminal als der Benutzer, der ArcGIS Image Server installiert hat.
  4. Navigieren Sie zum Ordner <ArcGIS Server installation directory>/tools/arcgis-imageDL-setup.
  5. Führen Sie das Werkzeug mit dem folgenden Befehl aus: ./arcgis-imageDL-setup.

    Daraufhin wird die Hilfe zum Werkzeug angezeigt.

  6. Installieren Sie das Python-Framework, das Sie für Deep-Learning-Raster-Analysen verwenden möchten, entweder TensorFlow oder Keras.
    • Führen Sie zum Installieren von TensorFlow den Befehl ./arcgis-imageDL-setup install tensorflow aus.
    • Installieren Sie Keras durch Ausführung des Befehls ./arcgis-imageDL-setup install keras.
  7. Wiederholen Sie die Schritte 1 bis 6 für jeden Computer der ArcGIS Image Server-Site.

    Auf jedem Serverknoten darf die GPU nur von einer Service-Instanz verwendet werden. Die maximale Anzahl der Instanzen pro Computer des RasterProcessingGPU-Service sollte auf 1 festgelegt werden, was der Standardeinstellung entspricht.

  8. Überprüfen Sie in ArcGIS Server Manager die maximale Anzahl an Instanzen pro Computer für den RasterProcessingGPU-Service. Navigieren Sie zu Services > Services verwalten > RasterProcessingGPU, und klicken Sie auf RasterProcessingGPU, um zur Bearbeitungsseite zu gelangen. Überprüfen Sie auf der Registerkarte Pooling, ob Maximale Anzahl an Instanzen pro Computer auf 1 festgelegt ist.

    Vorsicht:
    Erhöhen Sie die maximale Anzahl an Instanzen pro Computer für diesen Service nicht.

  9. Starten Sie den ArcGIS Image Server für die Raster-Analyse neu, nachdem Sie zur geklonten Umgebung gewechselt sind, auf der die Deep-Learning-Python-Module installiert sind.