Usar modelos de aprendizagem detalhada no ArcGIS Notebooks

Aprendizagem Detalhada é um método em rápida evolução da análise de dados da aprendizagem automática que usa redes neurais para imitar os processos do cérebro humano. Quando integrado ao GIS, pode fornecer melhor manuseio de dados e análise de dados mais precisa.

Normalmente, existem três grandes desafios associados aos algoritmos da aprendizagem automática: análise de grandes quantidades de dados, recursos computacionais insuficientes e, eficiência e precisão dos algoritmos. Ao integrar ArcGIS Notebook Server e algoritmos da aprendizagem detalhada, é possível gerenciar melhor esses desafios.

Aprendizagem detalhada no ArcGIS Notebook Server

Os modelos de aprendizagem detalhada para dados de imagens disponíveis no ArcGIS Notebook Server se enquadram em quatro categorias principais:

• Classificação de objetos—Usada para determinar a classe de uma feição. Por exemplo, pode ser usada para determinar se um edifício foi danificado após um desastre natural.
• Detecção de objetos—O processo de localização para encontrar um objeto em uma imagem dentro de uma caixa delimitadora. Por exemplo, a detecção de objetos pode ser usada para detectar piscinas em uma imagem.
• Classificação de pixels—Usada para atribuir classes a pixels dentro de uma imagem. Por exemplo, a classificação de pixels pode ser usada para classificação de cobertura do solo.
• Classificação de instância—Integra a detecção de objetos e a classificação de pixels. A classificação de instância pode ser usada para detectar um objeto e classificá-lo ainda mais. Por exemplo, a classificação de pixels pode ser usada na detecção de danos não apenas para identificar danos, mas também para classificar a gravidade dos danos.

Anotação:

O ArcGIS Notebook Server também oferece suporte a modelos com foco em tabelas, nuvens de pontos e outros conjuntos de dados estruturados.

Modelos de treinamento vs. modelos pré-treinados

Há dois métodos de modelos de aprendizagem detalhada que você pode usar no ArcGIS:

• Modelos pré-treinados—Usados para inferir informações preliminares de dados sem a necessidade de grandes conjuntos de dados de treinamento ou longa duração de treinamento do modelo. Embora mais rápido, haverá um comprometimento da precisão ao usar um modelo pré-treinado. Esses modelos podem ser treinados novamente para melhorar sua precisão.
  • Exemplo: Classificação da cobertura do solo usando dados de treinamento esparsos com um classificador UNet como um modelo pré-treinado
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• Modelos de aprendizagem detalhada de treinamento—Ao treinar um modelo de aprendizagem detalhada em um grande conjunto de dados com recursos e tempo de treinamento suficientes, você pode desenvolver um modelo mais preciso.
  • Exemplo: Classificação da cobertura do solo usando dados de treinamento esparsos com um classificador UNet e retreinando o modelo
    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()

Executar modelos de aprendizagem detalhada no ArcGIS Notebooks

Para usar um modelo de aprendizagem detalhada no ArcGIS Notebooks, siga estas etapas:

Anotação:

A aprendizagem detalhada é computacionalmente intensiva e é recomendado usar uma GPU eficiente para processar grandes conjuntos de dados.

1. Selecione um modelo de aprendizagem detalhada no grupo 04_gis_analysts_data_scientists no arquivo de dados para download.
2. Baixe o arquivo .ipynb do modelo que você usará.
3. Clique na página Conteúdo do seu portal.
4. Clique em Novo item e carregue o arquivo .ipynb do modelo que você baixou.
5. Abra o notebook criado pelo arquivo de modelo .ipynb.
6. Adicione os dados que deseja analisar.
7. Execute as seguintes seções do notebook:

   1. Preparar dados de entrada
   2. Visualizar dados de treinamento
   3. Carregar arquitetura do modelo
   4. Treinar o modelo

      Anotação:

      Esta seção pode ser ignorada se você deseja usar apenas o modelo pré-treinado.

   5. Salvar o modelo
   6. Inferência