Utilizar modelos de aprendizaje profundo en ArcGIS Notebooks

El aprendizaje profundo es un método que evoluciona rápidamente del análisis de datos de aprendizaje automático que utiliza redes neuronales para imitar los procesos del cerebro humano. Cuando se integra con SIG, puede proporcionar un mejor manejo de los datos y un análisis de datos más preciso.

Por lo general, hay tres desafíos principales asociados con los algoritmos de aprendizaje automático: analizar grandes cantidades de datos, recursos computacionales insuficientes y la eficiencia y precisión de los algoritmos. Al integrar ArcGIS Notebook Server y algoritmos de aprendizaje profundo, será posible administrar mejor estos desafíos.

Aprendizaje profundo en ArcGIS Notebook Server

Los modelos de aprendizaje profundo de datos de imágenes disponibles en ArcGIS Notebook Server se dividen en cuatro categorías principales:

• Clasificación de objetos: se utiliza para determinar la clase de una entidad. Por ejemplo, se puede utilizar para determinar si un edificio está dañado tras un desastre natural.
• Detección de objetos: el proceso de localización de buscar un objeto en una imagen dentro de un cuadro de delimitación. Por ejemplo, la detección de objetos se puede utilizar para detectar piscinas en una imagen.
• Clasificación de píxeles: se utiliza para asignar clases a píxeles dentro de una imagen. Por ejemplo, la clasificación de píxeles se puede utilizar para la clasificación de cobertura de suelo.
• Clasificación de instancias: integra tanto la detección de objetos como la clasificación de píxeles. La clasificación de instancias se puede utilizar para detectar un objeto y clasificarlo aún más. Por ejemplo, la clasificación de píxeles se puede utilizar en la detección de daños no solo para identificar los daños, sino también para clasificar aún más la gravedad de los daños.

Nota:

ArcGIS Notebook Server también admite modelos centrados en datasets tabulares, de nube de puntos y otros datasets estructurados.

Modelos preentrenados frente a modelos de entrenamiento

Existen dos métodos de modelos de aprendizaje profundo que puede utilizar en ArcGIS:

• Modelos preentrenados: se utilizan para inferir percepciones preliminares a partir de datos sin necesidad de grandes grupos de datos de entrenamiento o más tiempo de entrenamiento de modelos. Aunque más rápido, la precisión se verá comprometida al utilizar un modelo preentrenado. Estos modelos se pueden entrenar de nuevo para mejorar su precisión.
  • Ejemplo: clasificación de cobertura de suelo utilizando datos de entrenamiento dispersos mediante un clasificador UNet como modelo preentrenado
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• Entrenar modelos de aprendizaje profundo: al entrenar un modelo de aprendizaje profundo en un dataset grande con recursos suficientes y tiempo de entrenamiento, es posible desarrollar un modelo más preciso.
  • Ejemplo: clasificación de cobertura de suelo utilizando datos de entrenamiento dispersos mediante un clasificador UNet y entrenando de nuevo el modelo
    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()

Ejecutar modelos de aprendizaje profundo en ArcGIS Notebooks

Para usar un modelo de aprendizaje profundo en ArcGIS Notebooks, siga estos pasos:

Nota:

El aprendizaje profundo es intensivo desde el punto de vista computacional y se recomienda utilizar una GPU potente para procesar datasets grandes.

1. Seleccione un modelo de aprendizaje profundo en el grupo 04_gis_analysts_data_scientists en el archivo de datos descargable.
2. Descargue el archivo .ipynb del modelo que vaya a utilizar.
3. Haga clic en la página Contenido de su portal.
4. Haga clic en Nuevo elemento y cargue el archivo .ipynb del modelo que ha descargado.
5. Abra el notebook creado por el archivo de modelo .ipynb.
6. Agregue los datos que desee analizar.
7. Ejecute las siguientes secciones del notebook:

   1. Preparar los datos de entrada
   2. Visualizar datos de entrenamiento
   3. Cargar arquitectura del modelo
   4. Entrenar el modelo

      Nota:

      Esta sección se puede omitir si solo desea utilizar el modelo preentrenado.

   5. Guardar el modelo
   6. Inferencia