在 ArcGIS Notebooks 中使用深度学习模型

深度学习是一种快速发展的机器学习数据分析方法，它使用神经网络来模拟人脑的过程。 当与 GIS 集成时，它可以提供更好的数据处理和更准确的数据分析。

机器学习算法通常面临三大挑战：分析大量数据、计算资源不足以及算法的效率和准确性。 通过集成 ArcGIS Notebook Server 和深度学习算法，可以更好地应对这些挑战。

ArcGIS Notebook Server 深度学习

ArcGIS Notebook Server 中可用的影像数据深度学习模型分为四个主要类别：

• 对象分类 - 用于确定要素的类别。 例如，它可用于确定建筑物在自然灾害后是否受损。
• 对象检测 - 在边界框内的图像中查找对象的定位过程。 例如，对象检测可用于检测图像中的游泳池。
• 像素分类 - 用于将类别分配给图像中的像素。 例如，像素分类可用于土地覆被分类。
• 实例分类 - 用于集成对象检测和像素分类。 实例分类可用于检测对象并进一步对其进行分类。 例如，像素分类可用于损失检测，不仅可以识别损失，还可以进一步对损失严重程度进行分类。

注：

ArcGIS Notebook Server 还支持专用于表格、点云和其他结构化数据集的模型。

预训练模型与训练模型

您可以在 ArcGIS 中使用两种深度学习模型方法：

• 预训练模型 - 用于从数据中推断出初步见解，而无需大量训练数据或较长的模型训练时间。 虽然速度更快，但使用预训练模型时准确性会有所降低。 可以重新训练这些模型以提高其准确性。
  • 示例：通过 UNet 分类器使用稀疏训练数据进行土地覆被分类，并将其用作预训练模型
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()

• 训练深度学习模型 - 通过在具有足够资源和训练时间的大型数据集上训练深度学习模型，可以开发出更准确的模型。
  • 示例：通过 UNet 分类器使用稀疏训练数据进行土地覆被分类，并重新训练模型
    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()

在 ArcGIS Notebooks 中运行深度学习模型

要在 ArcGIS Notebooks 中使用深度学习模型，请按照以下步骤操作：

注：

深度学习的运算量非常大，建议您使用强大的 GPU 来处理大型数据集。

1. 在可下载数据存档文件的 04_gis_analysts_data_scientists 组中选择一个深度学习模型。
2. 下载您将使用的模型的 .ipynb 文件。
3. 单击门户的内容页面。
4. 单击新建项目并上传您下载的模型的 .ipynb 文件。
5. 打开由 .ipynb 模型文件创建的笔记本。
6. 添加要进行分析的数据。
7. 运行笔记本的以下部分：

   1. 准备输入数据
   2. 可视化训练数据
   3. 加载模型架构
   4. 训练模型

      注：

      如果您只希望使用预训练模型，则可以跳过此部分。

   5. 保存模型
   6. 推断