Wykorzystanie modeli Deep Learning w aplikacji ArcGIS Notebooks

Deep Learning to szybko rozwijająca się metoda uczenia maszynowego (samouczenia się maszyn), która wykorzystuje sieci neuronowe do naśladowania procesów zachodzących w ludzkim mózgu. Po zintegrowaniu z systemem GIS może zapewnić lepszą obsługę danych i dokładniejszą ich analizę.

Z algorytmami uczenia maszynowego wiążą się zazwyczaj trzy główne wyzwania: analiza dużych ilości danych, niewystarczające zasoby obliczeniowe oraz skuteczność i dokładność algorytmów. Dzięki integracji aplikacji ArcGIS Notebook Server i algorytmom Deep Learning można lepiej radzić sobie z tymi wyzwaniami.

Deep Learning w aplikacji ArcGIS Notebook Server

Dostępne modele Deep Learning dla danych zobrazowań w aplikacji ArcGIS Notebook Server dzielą się na cztery główne kategorie:

• Klasyfikacja obiektów — służy do określania klasy obiektów. Na przykład może być użyta do określenia, czy budynek został uszkodzony po katastrofie naturalnej.
• Wykrywanie obiektów — proces lokalizacji polegający na znalezieniu obiektów na obrazie w obrębie ramki ograniczającej. Na przykład wykrywania obiektów można użyć do wykrywania basenów na obrazie.
• Klasyfikacja pikseli — służy do przypisywania klas pikselom obrazu. Na przykład klasyfikacja pikseli może być wykorzystana do klasyfikacji pokrycia terenu.
• Klasyfikacja wystąpień — łączy wykrywanie obiektów i klasyfikację pikseli. Klasyfikacja wystąpień może być użyta do wykrycia obiektu i jego dalszej klasyfikacji. Na przykład w wykrywaniu uszkodzeń można zastosować klasyfikację pikseli, aby nie tylko zidentyfikować uszkodzenie, ale także sklasyfikować jego poziom.

Notatka:

Aplikacja ArcGIS Notebook Server obsługuje również modele koncentrujące się na zestawach danych tabelarycznych, chmur punktów i innych zestawach danych strukturalnych.

Modele wstępnie wytrenowane a trenowanie modeli

Istnieją dwie metody modeli Deep Learning, których można używać w ArcGIS:

• Modele wstępnie wytrenowane — służą do wstępnego wnioskowania z danych bez konieczności posiadania dużych pul danych treningowych lub długiego czasu trenowania modelu. Użycie wstępnie wytrenowanego modelu jest szybsze, ale wiąże się z pogorszeniem dokładności. Modele te można poddać ponownemu treningowi, aby zwiększyć ich dokładność.
  • Przykład: klasyfikacja pokrycia terenu przy użyciu rzadkich danych treningowych z wykorzystaniem klasyfikatora UNet jako wstępnie wytrenowanego modelu
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• Trenowanie modeli Deep Learning — trenując model Deep Learning na dużym zestawie danych z wystarczającymi zasobami i czasem trenowania, można stworzyć bardziej dokładny model.
  • Przykład: klasyfikacja pokrycia terenu przy użyciu rzadkich danych treningowych z wykorzystaniem klasyfikatora UNet i ponownego trenowania modelu
    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()

Uruchamianie modeli Deep Learning w aplikacji ArcGIS Notebooks

Aby użyć modelu Deep Learning w aplikacji ArcGIS Notebooks, wykonaj następujące czynności:

Notatka:

Deep Learning wymaga dużych mocy obliczeniowych, dlatego do przetwarzania dużych zestawów danych zaleca się użycie wydajnego procesora graficznego.

1. Wybierz model Deep Learning z grupy 04_gis_analysts_data_scientists w archiwum danych do pobrania.
2. Pobierz plik .ipynb modelu, którego będziesz używać.
3. Kliknij stronę Zasoby w swoim portalu.
4. Kliknij opcję Nowy element i prześlij plik .ipynb pobranego modelu.
5. Otwórz notatnik utworzony przez plik modelu .ipynb.
6. Dodaj dane, które chcesz przeanalizować.
7. Uruchom następujące sekcje notatnika:

   1. Przygotowanie danych wejściowych
   2. Wizualizowanie danych treningowych
   3. Wczytanie architektury modelu
   4. Przeprowadzenie treningu modelu

      Notatka:

      Tę sekcję można pominąć, jeśli chcesz używać tylko wstępnie wytrenowanego modelu.

   5. Zapisanie modelu
   6. Wnioskowanie