ArcGIS Notebooks에서 딥러닝 모델 사용

딥러닝은 뉴럴 네트워크를 사용하여 인간 두뇌의 프로세스를 모방하는 빠르게 진화하는 머신 러닝 데이터 분석 방법입니다. GIS와 통합하면 향상된 데이터 처리 및 더 정확한 데이터 분석을 제공할 수 있습니다.

일반적으로 머신 학습 알고리즘과 관련된 세 가지 주요 과제로 대량의 데이터 분석, 불충분한 컴퓨팅 리소스, 알고리즘의 효율성과 정확도가 있습니다. ArcGIS Notebook Server와 딥러닝 알고리즘을 통합하면 이러한 문제를 효과적으로 관리할 수 있습니다.

ArcGIS Notebook Server에서의 딥러닝

ArcGIS Notebook Server에서 사용 가능한 영상 데이터를 위한 딥러닝 모델은 다음과 같은 네 가지 주요 범주로 나뉩니다.

• 객체 분류 - 피처의 클래스를 결정하는 데 사용됩니다. 예를 들어 자연재해 후에 건물 손상 여부를 결정하는 데 사용할 수 있습니다.
• 객체 감지 - 경계 상자 내의 이미지에서 객체를 찾는 현지화 프로세스입니다. 예를 들어 객체 감지를 사용하여 이미지에서 수영장을 감지할 수 있습니다.
• 픽셀 분류 - 이미지 내 픽셀에 클래스를 할당하는 데 사용됩니다. 예를 들어 픽셀 분류는 토지 피복 분류에 사용할 수 있습니다.
• 인스턴스 분류 - 객체 감지 및 픽셀 분류 모두를 통합합니다. 인스턴스 분류는 객체를 감지하고 추가로 분류하는 데 사용할 수 있습니다. 예를 들어 픽셀 분류를 손상 감지에 사용하여 손상을 식별하고 손상의 심각도를 추가로 분류할 수 있습니다.

비고:

ArcGIS Notebook Server는 테이블 형식, 포인트 클라우드 및 구조화된 기타 데이터셋에 중점을 둔 모델도 지원합니다.

사전 학습된 모델과 모델 학습 비교

ArcGIS에서 사용할 수 있는 딥러닝 모델에는 두 가지 방법이 있습니다.

• 사전 학습된 모델 - 대규모 학습 데이터 풀 또는 장기간의 모델 학습 기간 없이 데이터에서 예비 인사이트를 추론하는 데 사용됩니다. 사전 학습된 모델을 사용하면 속도는 더 빠르지만 정확도가 저하됩니다. 이러한 모델은 정확도를 개선하기 위해 재학습될 수 있습니다.
  • 예시: 사전 학습된 모델로 UNet 분류기를 사용하는 희소 학습 데이터를 통한 토지 피복 분류
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• 딥러닝 모델 학습 - 충분한 리소스와 학습 시간으로 대용량 데이터셋에서 딥러닝 모델을 학습하여 더 정확한 모델을 개발할 수 있습니다.
  • 예시: UNet 분류기를 사용하는 희소 학습 데이터를 통한 토지 피복 분류 및 모델 재학습
    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 Notebooks에서 딥러닝 모델 실행

ArcGIS Notebooks에서 딥러닝 모델을 사용하려면 다음 단계를 따릅니다.

비고:

딥러닝은 계산이 복잡하기 때문에 강력한 GPU를 사용하여 대용량 데이터셋을 처리하는 것을 권장합니다.

1. 다운로드 가능한 데이터 아카이브의 04_gis_analysts_data_scientists 그룹에서 딥러닝 모델을 선택합니다.
2. 사용할 모델의 .ipynb 파일을 다운로드합니다.
3. 포털의 콘텐츠 페이지를 클릭합니다.
4. 새 항목을 클릭하고 다운로드한 모델의 .ipynb 파일을 업로드합니다.
5. .ipynb 모델 파일로 생성한 Notebook을 엽니다.
6. 분석할 데이터를 추가합니다.
7. Notebook의 다음 섹션을 실행합니다.

   1. 입력 데이터 준비
   2. 학습 데이터 시각화
   3. 모델 아키텍처 불러오기
   4. 모델 학습

      비고:

      사전 학습된 모델만 사용하려는 경우에는 이 섹션을 건너뛸 수 있습니다.

   5. 모델 저장
   6. 유추