最近ArcGIS Pro深度学习从入门到精通_哔哩哔哩_bilibili
最近咋学习gispro做深度学习,遇到了很多问题,欢迎大家一起交流学习
Arcgis Pro 深度学习系列_哔哩哔哩_bilibili
深度学习与ArcGIS概述(1)_arcgis 神经网络-CSDN博客
深度学习介绍
01 ArcGIS Pro 2.8深度学习介绍_哔哩哔哩_bilibili
ArcGIS Pro制作遥感影像深度学习样本 - 知乎 (zhihu.com)
ArcGIS Pro制作遥感影像深度学习样本 - 知乎 (zhihu.com)
ArcGIS Pro2.5深度学习操作Unet详解_uent-CSDN博客
Input raster:上一步中导出的样本文件夹;包含训练模型所需的影像片、标注和统计数据的文件夹。此数据为导出训练数据进行深度学习工具的输出。
Epochs:训练轮数;应用于训练模型的最大新纪元数。最大新纪元值为 1 意味着数据集将通过神经网络向前和向后传递一次。默认值为 20。
Batch size:批大小,一次需要处理以便用于训练的训练样本数。默认值为 2。如果您具有功能强大的 GPU,则可将此数字增加到 8、16、32 或 64。
Learning rate:学习率在整个训练过程中,旧信息将被新获取的信息覆盖的比率。如果未指定学习率,则系统将在训练过程中从学习曲线中提取最佳学习率。
Backbone:骨干网络,resnet34/resnet50;指定要用作训练新模型的架构的、预先配置的神经网络。这种方法称为迁移学习。其默认值为 ResNet34。
- •RESNET34 —预先配置的模型将是在 ImageNET 数据集上训练的残差网络,其中包含一百万个以上的影像,且深度为 34 个图层。这是默认设置。
- •RESNET50 —预先配置的模型将是在 ImageNET 数据集上训练的残差网络,其中包含一百万个以上的影像,且深度为 50 个图层。
pretrained_model用于微调训练新模型的预训练模型。输入为 Esri 模型定义文件 (.emd)。
可以对具有相似类的预训练模型进行微调以适应新模型。例如,可以对已针对汽车进行了训练的现有模型进行微调,以训练用于识别卡车的模型。预训练模型必须已使用将用于训练新模型的相同模型类型和骨干模型进行了训练。
Validation%:验证集的比例将用于验证模型的训练样本的百分比。默认值为 10。
Stop when model stops improving:true指定是否将实施提前停止。
•STOP_TRAINING —当模型不再改进时,无论所指定的 max_epochs 是什么,模型训练都将停止。这是默认设置。
•CONTINUE_TRAINING —模型训练将一直持续,直至达到 max_epochs 为止。
精度评价指标
测试环境
ArcGIS Pro深度学习环境安装_arcgispro 安装深度学习框架找不到-CSDN博客
import torch
print(torch.cuda.is_available())
实践1.目标检测——棕榈树提取
ArcGIS Pro深度学习检测_arcgis_pro_30_deep_learning_libraries-CSDN博客
应用ArcGIS Pro深度学习(Deep Learning)模块识别棕榈树案例 - GIS知乎-新一代GIS问答社区 (geoscene.cn)
ArcGIS Pro基于遥感影像使用深度学习地物识别评估植被健康情况(教程) - 知乎 (zhihu.com)
流程:导出训练样本 训练深度学习模型 使用深度学习模型检测对象
新建工程文件,加载tif影像,
1.制作标签
影像>分类工具》
在功能区上,单击地图选项卡导航组中的书签。在菜单中,单击新建书签
保存,
加载训练样本,
从gdb数据库加载刚保存的 plam 要素类,其中Classvalue是后续导出样本所参考的重要字段。
导出训练数据进行深度学习
1、在功能区上单击 分析 选项卡。在地理处理组中单击 工具,点击 Spatial Analyst工具 —— 影像分割和分类 —— 导出训练数据进行深度学习
2、在导出训练数据进行深度学习工具中,输入以下参数并单击运行:
输入栅格:选择源影像。这里我们选择image.tif。
输出文件夹:选择存储输出影像片和元数据的文件夹。这里我们在工程下创建一个output的文件夹用来存储输出的数据。
输入要素类或分类栅格或表:选择 建筑.shp。
类值字段:选择 Classvalue。
缓冲半径:用于描绘训练样本区域的,围绕每个训练样本的缓冲区的半径。可以借此从点创建圆形面训练样本。
输入掩膜面:用于描绘将创建影像片的区域,系统默认仅会创建完全位于面内的影像。
图像格式:指定将用于影像片输出的栅格格式,包含TIFF、MRF、PNG、JPEG。
切片大小XY:影像切片的大小
步幅XY:创建下一个影像切片时 x y方向上移动的距离,即两张切片的重叠部分。
旋转角度:
参考系统:指定将用于解释输入影像的参考系类型。 指定的参考系必须与训练深度学习模型所使用的参考系相匹配。
■ 地图空间 —将使用基于地图的坐标系。
■ 像素空间 —将使用图像空间,没有旋转且没有失真。
输出无要素切片:指定是否将导出不捕获训练样本的影像。
■ 选中 - 将导出所有影像,包括没有训练样本的影像。
■ 未选中 - 仅会导出训练样本的影像。
元数据格式:指定输出元数据标注的格式。这里根据我们训练的情况,选择的是RCNN掩膜的方法。
包含以下几种方式:
■ KITTI 标注 —元数据遵循与卡尔斯鲁厄理工学院和丰田工业大学 (KITTI) 对象检测评估数据集相同的格式。 KITTI 数据集是一款视觉基准套件。 标注文件是纯文本文件。 所有的值(数值和字符串)均由空格分隔开,每行对应一个对象。 此格式将用于对象检测。
■ PASCAL 可视化对象类 —元数据遵循与模式分析、统计建模和计算学习、可视化对象类 (PASCAL_VOC) 数据集相同的格式。 PASCAL VOC 数据集是用于对象类识别的标准化影像数据集。 标注文件为 XML 格式,包含有关影像名称、类值和边界框的信息。 此格式将用于对象检测。 这是默认设置。
■ 已分类切片 —每有一个输入影像,就将输出一个分类影像。 对于每个影像片,未使用其他元数据。 只有统计数据输出具有更多关于类的信息,如类名称、类值和输出统计数据。 此格式主要用于像素分类。 当输出是来自两影像中的一个分类影像时,此格式也用于更改检测。
■ RCNN 掩膜 —输出将为在样本所在的区域上具有掩膜的影像。 该模型将为影像中对象的每个实例生成边界框和分割掩膜。 此格式基于特征金字塔网络 (FPN) 和深度学习框架模型中的 ResNet101 核心支柱。 此格式将用于对象检测。
■ 已标注切片 —每个输出切片都将使用特定类进行标注。 此格式将用于对象分类。
■ 多标注切片 —每个输出切片都将使用一个或多个类进行标注。 例如,可将切片标注为“农业”,也可将其标注为“多云”。 此格式将用于对象分类。
■ 导出切片 —输出将为不带标注的影像。 此格式用于影像转换技术,例如 Pix2Pix 和超分辨率。
■ CycleGAN —输出将为不带标注的影像。此格式用于影像转换技术 CycleGAN,该技术用于训练不重叠的影像。
至此我们的样本制作工作已经完成,接下来可以使用PyTorch,TensorFlow,以及国内的PaddlePaddle、Jittor、MegEngine等深度学习框架进行模型训练。
2.训练深度模型
工具箱》影像分析工具》深度学习》训练深度学习模型
结果
3.使用深度学习检测对象
为何ArcGIS Pro 使用深度学习检测对象工具处理器类型使用GPU时报错error999999? - 知乎 (zhihu.com)
argis pro 3.0 深度学习使用GPU不行_人工智能-CSDN问答
Gpu不行出错,cpu可以
VARI棕榈树健康
实践2 道路提取
1.制作标签
2.训练深度模型
- 使用深度模型分类像素
栅格转面
实践3 目标检测——井盖提取
ArcGIS Pro 深度学习小白使用教程-以井盖识别为例_哔哩哔哩_bilibili
ArcGIS Pro中的深度学习(以井盖识别为例) - 哔哩哔哩 (bilibili.com)
1.制作标签
影像》分类工具》标注工具供深度学习
用圆形标注标签内所有的圆形井盖
新建书签,
2.训练模型
训练结果,精度
3.使用深度学习检测对象
实践4 提取建筑物
arcgispro基于深度学习从影像提取建筑轮廓①:模型训练_哔哩哔哩_bilibili
arcgispro基于深度学习从影像提取建筑轮廓②:建筑轮廓提取_哔哩哔哩_bilibili
Arcgis pro 使用深度学习模型提取建筑物图斑_哔哩哔哩_bilibili
B415基于ArcGIS Pro深度学习的城市新增建筑识别(2019三等奖)_哔哩哔哩_bilibili
实践5像素分类——水箱提取
1.制作标签
2.训练模型
3.像素分类
4.后处理
滤波,去除碎小图斑
栅格转矢量,方便面积统计,数量统计等
实践6 实例分割——山火损失评估
1.制作标签
2.训练模型
3.使用深度学习检测对象
规则化工
arcgis pro制作深度学习数据集_哔哩哔哩_bilibili
如果标签图全黑需要处理下打开