Classer des pixels à l’aide de l’apprentissage en profondeur—ArcGIS Image Server

L’outil Classer des pixels à l’aide d’algorithmes de Deep Learning exécute un modèle de Deep Learning entraîné sur une image en entrée afin de générer un raster classé.

Remarque :

Pour l’exécution de cet outil, le portail doit être configuré pour l’analyse raster.

Par ailleurs, les outils de Deep Learning ont besoin de ArcGIS Image Server pour être configurés en vue de l’analyse raster Deep Learning.

Cette fonction n’est pas encore prise en charge dans Map Viewer Classic (anciennement Map Viewer). Elle sera disponible dans une version future de la nouvelle version de Map Viewer. Si vous ne voyez pas cet outil dans Map Viewer Classic, contactez l’administrateur de votre organisation. Il se peut que votre portail ne soit pas configuré pour l'analyse raster ou que vous ne disposiez pas des privilèges requis pour exécuter l'outil.

Diagramme de workflow

Classer des pixels à l’aide d’algorithmes de Deep Learning - Processus

Exemple

Avec une image satellite multicanal donnée, générez un raster d’occupation du sol à l’aide d’un modèle de Deep Learning entraîné.

Remarques sur l'utilisation

Lors de l’exécution de l’outil, le serveur d’analyse raster appelle une API Python de Deep Learning tierce et utilise la fonction raster Python spécifique pour traiter chaque tuile raster.

Le modèle de Deep Learning en entrée pour cet outil doit être un élément de paquetage de Deep Learning (.dlpk) conservé sur votre portail. Vous pouvez générer un élément .dlpk à l’aide de l’outil de géotraitement Entraîner le modèle de Deep Learning dans ArcGIS Pro ou l’outil d’analyse raster de ArcGIS REST API.

Une fois le modèle en entrée sélectionné ou spécifié, les arguments du modèle sont obtenus depuis le serveur d’analyse raster. L’outil peut ne pas réussir à obtenir ces informations si le modèle n’est pas valide ou si le serveur d’analyse raster n’est pas correctement configuré pour l’apprentissage Deep Learning.

L’élément .dlpk en entrée doit inclure un fichier de définition de modèle Esri (.emd). Reportez-vous au fichier exemple .emd ci-dessous.

{
    "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]
         }
    ]
}

Si l’option Use current map extent (Utiliser l’étendue courante de la carte) est sélectionnée, seuls les pixels qui sont visibles dans l’étendue courante de la carte seront analysées. Si l’option n’est pas sélectionnée, la couche d’imagerie en entrée entière sera analysée.

Les paramètres de cet outil sont indiqués dans la table suivante :


Paramètre	Explication
Choisir l’image utilisée pour classer les pixels	Image en entrée à classer.
Choisir le modèle d’apprentissage profond utilisé pour classer les pixels	L’entrée est l’URL d’un élément de paquetage de Deep Learning (.dlpk). Le paquetage de Deep Learning contient le fichier JSON de définition du modèle Esri (.emd), le fichier de modèle binaire de Deep Learning et, éventuellement, la fonction raster Python à utiliser.
Spécifier les arguments du modèle d’apprentissage profond	Les arguments de la fonction sont définis dans la fonction raster Python référencée par le modèle en entrée. C’est là que vous répertoriez les paramètres de Deep Learning supplémentaires et les arguments permettant d’affiner l’apprentissage, tels qu’un seuil de confiance visant à ajuster la sensibilité. Les noms des arguments sont alimentés par l’outil lors de la lecture du module Python.
Processing mode (Mode de traitement)	Indique la façon dont tous les éléments raster sont traités dans un service d’imagerie. Process as mosaicked image (Traiter comme image mosaïquée) : tous les éléments raster dans le service d’imagerie sont mosaïqués ensemble et traités. Il s’agit de l’option par défaut. Process all raster items separately (Traiter tous les éléments raster séparément) : tous les éléments raster dans le service d’imagerie sont traités en tant qu’images séparées. .
Nom de la couche de résultat	Le nom de la couche qui sera créée dans la page My Content (Mon contenu) et ajoutée à la carte. Le nom par défaut repose sur le nom de l'outil et sur le nom de la couche en entrée. Si la couche existe déjà, vous êtes invité à fournir un autre nom. Vous pouvez spécifier le nom d’un dossier dans My Content (Mon contenu), dans lequel le résultat sera enregistré via la zone de liste déroulante Save result in (Enregistrer le résultat dans).

Environnements

Les paramètres d’environnement d’analyse sont des paramètres supplémentaires qui affectent les résultats d’un outil. Vous pouvez accéder aux paramètres d’environnement d'analyse de l'outil en cliquant sur l'icône représentant un engrenage Analysis Environments (Environnements d'analyse) dans la partie supérieure de la fenêtre de l'outil.

Cet outil respecte les environnements d’analyse suivants :

Étendue : indique la surface à utiliser pour l’analyse.
Taille de cellule : taille de cellule à utiliser dans la couche en sortie.
Intervalle de recyclage du traitement Opérateurs : définit le nombre de sections d’images à traiter avant de redémarrer les processus.
Facteur de traitement parallèle : contrôle les instances CPU ou GPU du traitement parallèle.
Nombre de nouvelles tentatives en cas d’échec : définit le nombre de tentatives qu’un même processus peut réaliser lors de l’échec aléatoire du traitement d’une tâche.

Fonctions raster et outils similaires

Utilisez l’outil Classer des pixels à l’aide d’algorithmes de Deep Learning pour classer les pixels dans une image. D’autres outils peuvent vous aider à résoudre des problèmes similaires.

Fonctions raster et outils d’analyse Map Viewer Classic

Utilisez l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning pour détecter la localisation d’objets dans une image. Utilisez l’outil Classer des objets à l’aide d’algorithmes de Deep Learning pour classer des objets dans une image.

Utilisez la fonction raster Classify (Classer) ou MLClassify pour accéder à d’autres options de classification.

Fonctions raster et outils d’analyse ArcGIS Pro

L’outil de géotraitement Classer des pixels à l’aide d’algorithmes de Deep Learning est disponible dans la boîte d’outils Image Analyst. D’autres outils du jeu d’outils Deep Learning permettent d’effectuer des processus de Deep Learning.

Ressources de développeur ArcGIS Enterprise

Si vous travaillez dans ArcGIS REST API, utilisez l’opération Classify Pixels Using Deep Learning.

Si vous travaillez dans ArcGIS API for Python, procédez aux tâches de Deep Learning Site Web ArcGIS API for Python depuis le module arcgis.learn.

Vous avez un commentaire à formuler concernant cette rubrique ?