ディープ ラーニング ラスター解析用の ArcGIS Image Server の構成

ArcGIS Image Server は、画像内のオブジェクトを分類および検出するための一連のディープ ラーニング ツールを備えています。 これらのツールを使用して、トレーニング サンプル データセットを生成し、ディープ ラーニング フレームワークにエクスポートすることで、ディープ ラーニング モデルを開発できます。 その後、画像分類やオブジェクト検出などのデータ推論ワークフローを実行できます。

ArcGIS Image Server には、エンドツーエンドのディープ ラーニング ワークフローをサポートする一連のツールが用意されています。 ラスター データを使用して、モデルのトレーニング データの準備、ディープ ラーニング モデルのトレーニング、推論ツール (画像分類やオブジェクトの検出など) の使用を行うことができます。

ArcGIS Server のディープ ラーニングの機能を有効化するには、次の 2 つの要件を満たす必要があります。

1. エンタープライズにラスター解析を構成して配置する。
2. ArcGIS Image Server の ディープ ラーニング パッケージ をインストールする。

ディープ ラーニング ライブラリーのセットアップ

[ラスター解析サーバー] はディープ ラーニング ワークフローのサポートにサードパーティーの Python パッケージを利用しているため、[ラスター解析サーバー] でディープ ラーニング ラスター解析を実行するには、[ディープ ラーニング ライブラリー] をインストールする必要があります。 [ラスター解析サーバー] をインストールして構成したら、以下のセクションに従って [ディープ ラーニング ライブラリー] をインストールします。

ディープ ラーニング パッケージのインストール方法については、ArcGIS Image Server の「ディープ ラーニング インストール ガイド」 をご参照ください。

ディープ ラーニング ライブラリーのインストール

ディープ ラーニング ライブラリーをインストールするには、ラスター解析サーバー コンピューター上で以下の手順を実行します。

Windows

1. deep-learning-frameworks リポジトリーに移動して、[Deep Learning Libraries Installer for ArcGIS Server] をインストールします。
2. ダウンロードした zip ファイルを新しい場所に展開します。
3. 展開したファイルの場所で、セットアップ インストーラーを実行します。
4. インストーラー ウィザードに従って、ディープ ラーニング ライブラリーをインストールします。

Linux

1. deep-learning-frameworks リポジトリーに移動して、[Deep Learning Libraries Installer for ArcGIS Server Linux] をインストールします。
2. コマンド tar xvf <file>.tar.gz を使用してダウンロードしたアーカイブ ファイルを展開します。
3. アーカイブ ファイルから展開した DeepLearling-Setup.sh スクリプトを実行します。
4. <Server Install>/server/usr/init_user_param.sh ファイルの ARCGIS_CONDA_DEEPLEARNING 変数を更新します。
5. [ラスター解析] ArcGIS Server を再起動します。

[ラスター解析サーバー] サイトに複数のノードが存在する場合、すべてのノードで上記の手順を実行する必要があります。

ディープ ラーニング ライブラリーのインストールの確認

最後の手順として、ArcGIS Living Atlas of the World ディープ ラーニング モデルを検索して、ディープ ラーニング パッケージをアップロードしてツール内で選択することで [ディープ ラーニング ライブラリー] が正しくインストールされていることを確認します。

1. ブラウザーで、ArcGIS Living Atlas に移動して、Building Footprint Extraction - USA をダウンロードします。 ディープ ラーニング パッケージのファイル拡張子は .dlpk です。
2. Portal for ArcGIS にサイン インします。
3. [コンテンツ] に移動して、[新しいアイテム] をクリックします。
4. ダウンロードしたディープ ラーニング パッケージをドラッグして、ウィザードにドロップします。
5. [保存] をクリックして、ディープ ラーニング パッケージを更新します。
6. アプリ ランチャーをクリックして、Map Viewer を開きます。
7. Map Viewer で、マップの右側にある [設定] ツールバーの [解析] ボタンをクリックします。
8. [ツール] をクリックして [ディープ ラーニングの使用] を選択し、[ディープ ラーニングを使用したオブジェクトの検出] ツールを選択してツール パラメーターを展開します。
9. [モデル設定] セクションで、[モデルの選択] をクリックして、ツールのディープ ラーニング モデルを選択します。

   [アイテムの選択] ダイアログで、[マイ コンテンツ] フォルダーが開き、すべてのディープ ラーニング パッケージを使用できます。

10. アイテムの選択ダイアログで、Building Footprint Extraction - USA を選択して、[確認] をクリックします。

    [ディープ ラーニング ライブラリー] が正常に読み込まれたら、ツール内のモデル引数がツールに表示されます。

    

    ライブラリーが正しくインストールされると、ディープ ラーニング パッケージのモデル パラメーターがツールに表示されます。

これで、ラスター解析サーバーでディープ ラーニング解析を実行する準備ができました。

GPU を使用したディープ ラーニングの実行

ディープ ラーニング ラスター解析ワークフローの各ツールには、処理が CPU 上で発生するか GPU 上で発生するかを制御する [processorType] 環境パラメーターが含まれています。 リクエスト時に、このパラメーターで CPU と GPU のどちらを使用するかが正しく指定されていることを確認してください。 [processorType] 環境パラメーターは、ArcGIS Pro、Map Viewer Classic、ArcGIS REST API、または ArcGIS API for Python のツールまたはラスター関数インターフェイスに設定されています。

ラスター解析サーバーでは、推論ツールは GPU を使用して、ジョブの処理速度を上げます。 GPU の要件は次のとおりです。

前提条件:

• GPU タイプ: CUDA 計算機能 5.0 (最小) を搭載した NVIDIA GPU。ただし 6.1 以降を推奨します。
• GPU ドライバー: NVIDIA ドライバー バージョン 527.41 以降が必要です。
• 専用のグラフィックス メモリー:
  • 最小: 6 GB
  • 推奨: 16 GB 以上。 メモリー要件は、使用されているモデル アーキテクチャーおよびバッチ サイズによって異なります。

すべての GPU 要件を満たしたら、[RasterProcessingGPU] プールを確認する必要があります。 [RasterProcessingGPU] は、推論ツールの実行を担当するサービスです。

以下の手順に従います。

1. ブラウザーで、ArcGIS Server Manager → サービス → システム → [RasterProcessingGPU] → サービスの管理 > プールに移動します。

バージョン 10.8 以降では、各サーバー ノードで複数のサービス インスタンスが 1 つの GPU を使用できます。 [RasterProcessingGPU] サービスのコンピューターあたりの最大インスタンス数は 1 に設定する必要があります。

2. [コンピューターごとのインスタンスの最大数] が 1 に設定されていることを確認します。 [コンピューターごとのインスタンスの最大数] が 1 に設定されていない場合は、1 に変更して、[保存して再起動] をクリックします。

複数の GPU の使用

ラスター解析ツールは、サーバー サイトで複数の GPU を使用して、推論の処理速度を上げることができます。

複数の GPU 機能を有効化するには、各 GPU コンピューター上で以下の手順を実行します。

1. GPU 要件を満たしていることを確認します。
2. ArcGIS GIS Server をインストールします。
3. [ディープ ラーニング ライブラリー] をインストールします。
4. コンピューターを既存の [ラスター解析サーバー] サイトに追加します。

注意:

[ラスター解析ツール] は、コンピューターあたり 1 つの GPU の使用のみをサポートしています。 コンピューター上に複数の GPU がある場合は、1 つの GPU だけがジョブの処理に使用されます。 安定したサーバー動作を確保するには、すべてのコンピューターで同じ GPU とその他のハードウェアを使用することをおすすめします。

上記の設定を構成したら、[プロセッサー タイプ] および [並列処理ファクター] 環境設定を使用し、複数の GPU を使用してディープ ラーニング推論ジョブのパフォーマンスを高めることができます。