L’outil Classer des objets à l’aide d’algorithmes de Deep Learning exécute un modèle de Deep Learning entraîné sur un raster en entrée et une classe d’entités facultative afin de générer une table ou une classe d’entités dans laquelle une étiquette de classe ou de catégorie est attribuée à chaque objet ou entité en entrée.
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.
Si vous ne voyez pas cet outil dans Map Viewer, contactez l’administrateur de votre portail. 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
Exemples
- Avec une image et une classe d’entités identifiant l’emplacement de maisons, classez chaque maison comme endommagée ou non endommagée à l’aide d’un modèle de Deep Learning entraîné.
- Avec un ensemble d’images dans lequel chaque image décrit un seul arbre, classez chaque arbre comme sain ou malade 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": "Keras",
"ModelConfiguration":"KerasClassifier",
"ModelFile":"C:\\DeepLearning\\Damage_Classification_Model_V7.h5",
"ModelType":"ObjectClassification",
"ImageHeight":256,
"ImageWidth":256,
"ExtractBands":[0,1,2],
"CropSizeFixed": 1,
"BlackenAroundFeature": 1,
"ImageSpaceUsed": "MAP_SPACE",
"Classes": [
{
"Value": 0,
"Name": "Damaged",
"Color": [255, 0, 0]
},
{
"Value": 1,
"Name": "Undamaged",
"Color": [76, 230, 0]
}
]
}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 des objets | Image en entrée utilisée pour classer les objets. |
| Choose feature layer for objects (optional) (Choisir la couche d’entités pour les objets (facultatif)) | La couche d’entités ponctuelle, linéaire ou surfacique en entrée qui identifie la localisation de chaque objet à classer et étiqueter. Chaque ligne dans la couche d’entités en entrée représente un seul objet. Si aucune couche d’entités en entrée n’est spécifiée, on suppose que chaque image en entrée contient un seul objet à classer. Si l’image ou les images en entrée utilisent une référence spatiale, la sortie de l’outil est une couche d’entités dans laquelle l’étendue de chaque image sert d’emprise géométrique pour chaque entité étiquetée. Si l’image ou les images en entrée ne sont pas référencées spatialement, la sortie de l’outil est une table contenant les valeurs d’ID des images et les étiquettes de classe de chaque image. |
| Choisir le modèle d’apprentissage profond utilisé pour classer des objets | 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. |
| Define class label field name (optional) (Définir le nom de champ de la classe d’étiquettes (facultatif)) | Le nom du champ qui contiendra l’étiquette de classification dans la couche d’entités en sortie. Si aucun nom de champ n’est spécifié, un nouveau champ nommé ClassLabel est généré dans la classe d’entités en sortie. |
| Processing mode (Mode de traitement) | Indique la façon dont tous les éléments raster sont traités dans un service d’imagerie.
|
| 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 
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 objets à l’aide d’algorithmes de Deep Learning pour classer des objets dans une image. D’autres outils peuvent vous aider à résoudre des problèmes similaires.
Fonctions raster et outils d’analyse Map Viewer
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 pixels à l’aide d’algorithmes de Deep Learning pour classer chaque pixel dans une image.
Fonctions raster et outils d’analyse ArcGIS Pro
L’outil de géotraitement Classer des objets 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 Objects Using Deep Learning.
Si vous travaillez dans ArcGIS API for Python, procédez aux tâches de Deep Learning 
depuis le module arcgis.learn.
Vous avez un commentaire à formuler concernant cette rubrique ?