ArcGIS Notebooks でのディープ ラーニング モデルの使用

ディープ ラーニングは、ニューラル ネットワークを使用して人間の脳のプロセスを模倣した機械学習データ解析手法で、急速に発展しています。 GIS と統合することで、データの取り扱いとデータ解析の精度を改善できます。

通常、機械学習アルゴリズムには、大量のデータ解析、計算リソースの不足、アルゴリズムの効率および精度の 3 つの大きな課題があります。 ArcGIS Notebook Server とディープ ラーニング アルゴリズムを統合することで、これらの課題を効果的に管理できます。

ArcGIS Notebook Server のディープ ラーニング

ArcGIS Notebook Server で使用できる画像データ向けのディープ ラーニング モデルは、4 つの大きなカテゴリに分類されます。

• オブジェクトの分類 - フィーチャのクラスを決定するために使用されます。 たとえば、自然災害後に建物が被災しているかどうかの判断に使用できます。
• オブジェクトの検出 - 境界四角形内で画像中のオブジェクトを検出するローカライズ処理。 たとえば、画像中のスイミング プールを検出することができます。
• ピクセルの分類 - 画像中のピクセルにクラスを割り当てるために使用されます。 たとえば、ピクセルの分類を土地被覆分類に使用することができます。
• インスタンスの分類 - オブジェクト検出とピクセル分類の両方を統合します。 インスタンスの分類を使用して、オブジェクトを検出し、さらにそのオブジェクトを分類することができます。 たとえば、ピクセルの分類を損害の検出に使用して、損害を特定するだけでなく、さらに損害の深刻度を分類することができます。

注意:

ArcGIS Notebook Server は、表形式、点群などの構造化されたデータセットを主に扱うモデルもサポートしています。

事前トレーニング済みモデルとモデルのトレーニング

ArcGIS で使用できるディープ ラーニング モデルには、2 つの方法があります。

• 事前トレーニング済みモデル - 大量のトレーニング データや長期のモデル トレーニングを必要とせずに、データから予備的な洞察を推測するために使用されます。 事前トレーニング済みモデルを使用する場合、高速に処理できるものの、精度は低くなります。 これらのモデルは、再トレーニングすることで精度を改善できます。
  • 例: UNet 分類器を事前トレーニング済みモデルとして使用し、散在するトレーニング データを使用する土地被覆分類
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• ディープ ラーニング モデルのトレーニング - 十分なリソースとトレーニング時間を確保し、大規模なデータセットでディープ ラーニング モデルをトレーニングすることで、より精度の高いモデルを開発できます。
  • 例: UNet 分類器を使用し、モデルを再トレーニングした、散在するトレーニング データを使用する土地被覆分類
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.lr_find()
    unet.fit(10, lr)                   #10 iterations of model fitting
    unet.show_results()
    unet.per_class_metrics()

ArcGIS Notebooks でのディープ ラーニング モデルの実行

ArcGIS Notebooks でディープ ラーニング モデルを使用するには、次の手順に従います。

注意:

ディープ ラーニングは計算上の負荷が大きいため、大規模なデータセットを処理するには高性能 GPU を使用することをお勧めします。

1. ダウンロード可能なデータ アーカイブにあるグループ [04_gis_analysts_data_scientists] でディープ ラーニング モデルを選択します。
2. 使用するモデルの .ipynb ファイルをダウンロードします。
3. クリックして、ポータルの [コンテンツ] ページに移動します。
4. [新しいアイテム] をクリックし、ダウンロードしたモデルの .ipynb ファイルをアップロードします。
5. .ipynb モデル ファイルで作成されたノートブックを開きます。
6. 解析するデータを追加します。
7. ノートブックの次のセクションを実行します。

   1. 入力データの準備
   2. トレーニング データの視覚化
   3. モデル アーキテクチャの読み込み
   4. モデルのトレーニング

      注意:

      このセクションは、事前トレーニング済みモデルのみを使用する場合はスキップできます。

   5. モデルの保存
   6. 推測