ディープラーニングを使用したオブジェクトの分類—ArcGIS Image Server

ディープラーニングを使用したオブジェクトの分類ディープラーニングを使用したオブジェクトの分類ツールは、入力ラスターとオプションのフィーチャクラスに対してトレーニング済みディープラーニングモデルを実行し、各入力オブジェクトにクラスラベルまたはカテゴリラベルを割り当てたフィーチャクラスまたはテーブルを作成します。

注意:

このツールを実行するには、ラスター解析用にポータルを構成する必要があります。

さらに、ディープラーニングツールではArcGIS Image Server でディープラーニングラスター解析を行えるよう構成する必要があります。

現在、この機能は Map Viewer Classic (旧名称 Map Viewer) でのみサポートされています。新しい Map Viewer の今後のリリースで提供される予定です。このツールが Map Viewer Classic に表示されない場合は、組織の管理者に問い合わせてください。お使いのポータルがラスター解析用に構成されていないか、ユーザーに、このツールを実行するのに必要な権限がないことが考えられます。

ワークフロー図

例

住宅の場所を特定する画像とフィーチャクラスをもとに、トレーニング済みディープラーニングモデルを使用して、各住宅が損害を受けているか受けていないかを分類します。
各画像が 1 本の樹木を捉えている画像コレクションをもとに、トレーニング済みディープラーニングモデルを使用して、各樹木が健康であるか不健康であるかを分類します。

使用上の注意

このツールを実行すると、ラスター解析サーバーがサードパーティのディープラーニング Python API を呼び出し、指定された Python ラスター関数を使用して、各ラスタータイルを処理します。

このツールの入力ディープラーニングモデルは、ポータルに格納されたディープラーニングパッケージ (*.dlpk) アイテムである必要があります。 ArcGIS Pro または ArcGIS REST API ラスター解析ツールの [ディープラーニングモデルのトレーニング (Train Deep Learning Model)] ジオプロセシングツールを使用して *.dlpk アイテムを生成できます。

入力モデルを選択または指定すると、ラスター解析サーバーからモデル引数情報が取得されます。モデルが無効であったり、ラスター解析サーバーがディープラーニングに対して適切に構成されていなかったりすると、ツールはこの情報を取得できません。

入力 *.dlpk アイテムには、Esri モデル定義ファイル (*.emd) を含める必要があります。下記のサンプル *.emd ファイルをご参照ください。

{
    "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]
    }
    ]
}

[現在のマップ範囲を使用] がオンの場合、現在のマップ範囲に表示されるピクセルだけが解析されます。オフの場合は、入力イメージレイヤー全体が解析されます。

次の表に、このツールのパラメーターを示します。


パラメーター	説明
オブジェクトの分類に使用する画像を選択	オブジェクトの分類に使用される入力画像。
オブジェクトのフィーチャレイヤーの選択 (オプション)	分類されラベル付けされる各オブジェクトの位置を識別するポイント、ライン、またはポリゴン入力フィーチャレイヤー。入力フィーチャレイヤーの各行は、単一のオブジェクトを表します。入力フィーチャレイヤーが指定されない場合、各入力画像に分類対象の単一オブジェクトが含まれていると判断します。入力画像が空間参照を使用する場合、このツールからの出力はフィーチャレイヤーとなり、各画像の範囲が各ラベル付きフィーチャの境界ジオメトリとして使用されます。入力画像が空間参照されていない場合、このツールからの出力は、各画像の画像 ID 値とクラスラベルを含むテーブルとなります。
オブジェクトの分類に使用するディープラーニングモデルを選択	入力ディープラーニングパッケージ (.dlpk) アイテム。ディープラーニングパッケージには、Esri モデル定義 JSON ファイル (.emd)、ディープラーニングバイナリモデルファイル、および使用されるオプションの Python ラスター関数が含まれます。
ディープラーニングモデルの引数を指定	関数の引数は、入力モデルによって参照される Python ラスター関数で定義されます。ここでは、調整のための追加のディープラーニングパラメーターおよび引数 (感度を調整するための信頼性の閾値など) をリストします。引数の名前は、ツールが Python モジュールを読み取ることによって入力されます。
クラスラベルフィールド名の定義 (オプション)	出力フィーチャレイヤー内の分類ラベルを含むフィールドの名前。フィールド名を指定しないと、出力フィーチャレイヤーに ClassLabel という新しいフィールドが生成されます。
処理モード	イメージサービス内のすべてのラスターアイテムを処理する方法を指定します。 [モザイク画像として処理] - イメージサービス内のすべてのラスターアイテムをモザイク化して処理します。これがデフォルトです。 [すべてのラスターアイテムを別々に処理] - イメージサービス内のすべてのラスターアイテムを別々のイメージとして処理します。。
結果レイヤー名	[マイコンテンツ] に作成され、マップに追加されるレイヤーの名前。デフォルトの名前は、ツール名と入力レイヤー名に基づいて設定されます。レイヤーがすでに存在する場合は、別の名前を指定するよう求められます。 [出力の保存場所] ドロップダウンボックスを使用して、結果を保存する [マイコンテンツ] 内のフォルダーの名前を指定できます。

環境

解析環境設定は、ツールの結果に影響する追加パラメーターです。このツールの解析環境設定にアクセスするには、ツールパネルの上部にある歯車アイコンをクリックします。

このツールでは次の [解析環境] が適用されます。

範囲 - 解析に使用するエリアを指定します。
セルサイズ - 出力レイヤーで使用するセルサイズ。
処理ワーカーのリサイクル間隔 - ワーカープロセスを再開する前に処理するイメージセクションの数を定義します。
並列処理ファクター - ラスター処理 CPU または GPU インスタンスを制御します。
失敗したときの再試行回数 - ジョブの処理中にランダムな障害が発生した場合に、ワーカープロセスが再試行される回数を定義します。

類似のツールとラスター関数

ディープラーニングを使用したオブジェクトの分類ツールを使用し、画像のオブジェクトを分類します。その他のツールは、類似した問題を解決するのに効果的です。

Map Viewer Classic 解析ツールとラスター関数

ディープラーニングを使用したオブジェクトの検出ツールを使用し、画像内のオブジェクトの位置を検出します。ディープラーニングを使用したピクセルの分類ツールを使用し、画像内の各ピクセルを分類します。

ArcGIS Pro 解析ツールとラスター関数

[ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ジオプロセシングツールは、Image Analyst ツールボックスにあります。ディープラーニングツールセットのその他のツールは、ディープラーニングワークフローを実行します。

ArcGIS Enterprise 開発者向けのリソース

ArcGIS REST API で作業を行っている場合は、Classify Objects Using Deep Learning 操作を使用します。

ArcGIS API for Python で作業を行っている場合は、arcgis.learn モジュールでディープラーニングタスクを実行 ArcGIS for Python API Web サイトします。

このトピックへのフィードバック

注意: