ArcGIS Image Server offre une suite d’outils Deep Learning qui permettent de classer et de détecter des objets dans l’imagerie. Ces outils permettent de générer des jeux de données d’échantillon d'apprentissage et de les exporter dans une structure d’apprentissage profond en vue de développer un modèle d’apprentissage profond. Vous pouvez ensuite exécuter différents processus sur les données, tels que la classification d’images et la détection d’objets.
ArcGIS Image Server fournit une suite d’outils pour prendre en charge un processus de Deep Learning complet. Vous pouvez utiliser vos données raster pour préparer les données d’entraînement du modèle, entraîner les modèles de Deep Learning et utiliser des outils d’inférence, tels que la classification d’images et la détection d’objets.
Pour activer les fonctionnalités de Deep Learning dans ArcGIS Server, vous devez remplir deux conditions :
- Configurez et déployez l’analyse dans votre entreprise.
- Installez les paquetages de Deep Learning
for ArcGIS Image Server.
Configurer les bibliothèques de Deep Learning
Pour exécuter une analyse raster de Deep Learning dans Raster Analysis Server (Serveur d’analyse raster), vous devez installer Deep Learning Libraries (Bibliothèques de Deep Learning), car Raster Analysis Server (Serveur d’analyse raster) utilise des paquetages Python tiers pour prendre en charge les processus de Deep Learning. Une fois Raster Analysis Server (Serveur d’analyse raster) installé et configuré, suivez la section ci-dessous pour installer Deep Learning Libraries (Bibliothèques de Deep Learning).
Pour savoir comment installer les paquetages Deep Learning, reportez-vous au Guide d’installation des structures Deep Learning pour ArcGIS Image Server.
Installer les bibliothèques de Deep Learning
Pour installer les bibliothèques de Deep Learning, suivez les étapes ci-dessous sur vos machines Raster Analysis Server :
Windows
- Accédez au référentiel deep-learning-frameworks et téléchargez Deep Learning Libraries Installer for (Programme d’installation des bibliothèques de Deep Learning pour) ArcGIS Server.
- Procédez à l’extraction du fichier zip téléchargé dans un nouvel emplacement.
- À l’emplacement du fichier extrait, exécutez le programme d’installation.
- Suivez l’assistant d’installation pour installer les bibliothèques de Deep Learning.
Linux
- Accédez au référentiel deep-learning-frameworks et téléchargez Deep Learning Libraries Installer for (Programme d’installation des bibliothèques de Deep Learning pour) ArcGIS Server Linux.
- Procédez à l’extraction du fichier d’archive téléchargé à l’aide de la commande tar xvf <file>.tar.gz.
- Exécutez le script DeepLearling-Setup.sh extrait du fichier d’archive.
- Mettez à jour la variable ARCGIS_CONDA_DEEPLEARNING dans le fichier <Server Install>/server/usr/init_user_param.sh.
- Redémarrez votre instance Raster Analysis (Analyse raster) ArcGIS Server.
Si votre site Raster Analysis server (Serveur d’analyse raster) comporte plusieurs nœuds, vous devez exécuter les étapes ci-dessus sur tous les nœuds.
Vérifier l’installation des bibliothèques de Deep Learning
À la dernière étape, vous allez interroger un modèle de Deep Learning ArcGIS Living Atlas of the World pour vérifier que les Deep Learning Libraries (Bibliothèques de Deep Learning) sont correctement installées en chargeant un paquetage de Deep Learning et en le sélectionnant dans un outil.
- Dans un navigateur, accédez à ArcGIS Living Atlas et téléchargez le modèle Building Footprint Extraction - USA (Extraction d’emprises de bâtiment — États-Unis). Le paquetage de Deep Learning comporte l’extension de fichier .dlpk.
- Connectez-vous à votre instance Portal for ArcGIS.
- Accédez à Content (Contenu) et cliquez sur New item (Nouvel élément).
- Faites glisser et déposez le paquetage de Deep Learning téléchargé dans l’assistant.
- Cliquez sur Save (Enregistrer) pour mettre à jour le paquetage de Deep Learning.
- Cliquez sur le lanceur d’applications et ouvrez Map Viewer.
- Dans Map Viewer, cliquez sur le bouton Analysis (Analyse) sur la barre d’outils Settings (Paramètres) à droite de la carte.
- Cliquez sur Tools (Outils), sélectionnez Use deep learning (Utiliser le Deep Learning), puis sélectionnez Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning) pour développer les paramètres d’outil.
- Dans la section Model settings (Paramètres du modèle), cliquez sur Select model (Sélectionner un modèle) pour sélectionner le modèle de Deep Learning correspondant à l’outil.
Dans la boîte de dialogue Select item (Sélectionner un élément), le dossier My content (Mon contenu) est ouvert avec tous les paquetages de Deep Learning disponibles.
- Dans la boîte de dialogue Sélectionner un élément, sélectionnez Building Footprint Extraction - USA (Extraction d’emprises de bâtiment – États-Unis), puis cliquez sur Confirm (Confirmer).
Si les Deep Learning Libraries (Bibliothèques de Deep Learning) sont chargées, les arguments du modèle apparaissent dans l’outil.
Les paramètres du modèle pour le paquetage de Deep Learning apparaissent dans l’outil lorsque les bibliothèques sont installées correctement.
Votre Raster Analysis server (Serveur d’analyse raster) est maintenant prêt à exécuter l’analyse de Deep Learning.
Utiliser des GPU pour exécuter le Deep Learning
Chaque outil d’un processus d’analyse raster de Deep Learning inclut un paramètre d’environnement processorType, qui détermine si le traitement a lieu sur le processeur (CPU) ou le GPU. Vérifiez que ce paramètre indique correctement si le processeur (CPU) ou l’unité de traitement graphique (GPU) doivent être utilisés lors de l’émission des requêtes. Le paramètre d’environnement processorType est défini dans l’outil ou l’interface de la fonction raster dans ArcGIS Pro, Map Viewer Classic, ArcGIS REST API ou ArcGIS API for Python.
Dans le serveur d’analyse raster, les outils d’inférence peuvent utiliser un GPU pour accélérer le traitement des tâches. La configuration requise pour le GPU est la suivante
- Type de GPU : GPU NVIDIA avec capacité de calcul CUDA 5.0 minimum, 6.1 ou supérieure recommandée.
- Pilote GPU : version du pilote NVIDIA 527.41 ou ultérieure requise.
- Mémoire graphique dédiée :
- Minimum : 6 Go
- Recommandé : 16 Go ou plus. La mémoire requise dépend de l’architecture du modèle et de la taille de lot utilisées.
Une fois que vous avez rempli toutes les exigences en matière de GPU, vous devez vérifier le groupage RasterProcessingGPU. RasterProcessingGPU est le service chargé d’exécuter les outils d’inférence.
Procédez comme suit :
- Dans un navigateur, accédez à ArcGIS Server Manager > Services > System (Système) > RasterProcessingGPU > Manage Services (Gérer les services) > Pooling (Groupage).
- Vérifiez que le paramètre Maximum number of instances per machine (Nombre maximum d’instances par machine) est défini sur 1. Si le paramètre Maximum number of instances per machine (Nombre maximum d’instances par machine) n’est pas défini sur 1, définissez-le sur 1 et cliquez sur Save and Restart (Enregistrer et redémarrer).
À partir de la version 10.8, plusieurs instances du service peuvent utiliser un GPU sur chaque nœud de serveur. Le nombre maximal d’instances par machine du service RasterProcessingGPU doit être défini sur 1.
Utiliser plusieurs GPU
Le serveur d’analyse raster peut utiliser plusieurs GPU dans un site de serveur pour accéder le traitement d’inférence.
Pour activer les fonctionnalités de plusieurs GPU, procédez comme suit sur chacune de vos machines GPU :
- Vérifiez que les exigences en matière de GPU sont remplies.
- Installez ArcGIS GIS Server.
- Installez Deep Learning Libraries (Bibliothèques de Deep Learning).
- Joignez la machine à votre site Raster Analysis server (Serveur d’analyse raster) existant.
Remarque :
Le Raster Analysis server (Serveur d’analyse raster) prend uniquement en charge l’utilisation d’un GPU par machine. Si plusieurs GPU sont disponibles sur une machine, un seul GPU sera utilisé pour traiter une tâche. Il est également recommandé d’utiliser le même GPU et d’autres matériels sur l’ensemble des machines afin de garantir un comportement plus stable du serveur.
Une fois les paramètres ci-dessus configurés, vous pouvez utiliser les paramètres d’environnement Processor Type (Type de processeur) et Parallel Processing Factor (Facteur de traitement parallèle) pour utiliser plusieurs GPU et améliorer les performances de vos tâches d’inférence de Deep Learning.
Vous avez un commentaire à formuler concernant cette rubrique ?