Pracoviště AI a ArcGIS Deep Learning Workflow

KelleyArroyo

Napsal: <\/SPAN>Steve Snow<\/A><\/H3>

Senior specialista pro strategii státní správy ve společnosti Esri<\/P>

Část 4 ze série o 7 dílech zkoumající GIS a umělou inteligenci<\/STRONG><\/EM><\/P> <\/P>Vítejte v části 4 mé série o AI a GeoAI, která se bude zabývat techničtějšími aspekty GeoAI a ArcGIS. V předchozí části 1 této série jsme pokryli budoucí dopady AI na mapování a modernizaci, kde byl představen koncept GeoAI a proč by vás mělo zajímat mít AI jako budoucího spolupracovníka. Část 2 série, GIS, umělá inteligence a automatizace na pracovišti, se zabývala konkrétními geospatialními profesemi, které budou zásadně ovlivněny zavedením technologie GeoAI na pracovišti. Část 3 se věnovala spolupráci s strojem - AI na pracovišti, vzniku nového geospatialního pracovního vztahu mezi informacemi, lidmi a umělou inteligencí pro úspěch v poslání organizace.<\/P>V části 4 se zaměříme na 3 konkrétní oblasti GeoAI v ArcGIS, které vám pomohou na vaší cestě k vývoji vašich Deep Learning pracovních postupů.<\/P>Nástroje pro generování tréninkových dat<\/LI>Nástroje & API pro trénink modelů<\/LI>Nástroje pro provádění inferencí, jako je detekce objektů, klasifikace pokryvu půdy a další...<\/LI><\/UL><\/span><\/P> <\/P>

Nástroje pro generování tréninkových dat<\/H3>ArcGIS má mnoho nástrojů, které pomáhají s GeoAI pracovními postupy pro přípravu a analýzu dat, trénink deep learning modelů, inferenci a sdílení dat pro spolupráci pomocí webových služeb a map. Nástroje pro vytváření AI tréninku lze nalézt v ArcGIS Pro Image Analyst a ArcGIS Image Server. ArcGIS Image Analyst má nástroje pro označování objektů a export tréninkových modelů pro deep learning a používání natrénovaných modelů pro extrakci prvků nebo klasifikaci. ArcGIS Image Server v ArcGIS Enterprise 10.7 a vyšším má stejné schopnosti a umožňuje škálování prostřednictvím distribuovaného výpočtu pomocí cloudů on premise, off premise nebo hybridních cloudových přístupů.<\/P>Kromě používání předpřipravených nástrojů v produktech ArcGIS mohou uživatelé také pracovat skrze skriptování a notebooky.<\/P><\/span><\/P> <\/P>Nástroje & API pro trénink modelů<\/H3>Trénink modelů lze provádět buď přes ArcGIS notebooky, ArcGIS Learn API nebo v ArcGIS Pro. ArcGIS Notebooks<\/A><\/STRONG> umožňují jedním kliknutím přístup k předkonfigurovaným Jupyter Notebookům. To zahrnuje časově úsporné knihovny deep learningu využívající galerii předkonfigurovaných notebooků obsahujících deep learning modely pro snadný trénink a nasazení.<\/P>

Modul

arcgis.learn<\/A><\/STRONG> je součástí ArcGIS API for Python, který umožňuje organizacím snadno přijmout a aplikovat deep learning ve svých pracovních postupech. arcgis.learn<\/A><\/STRONG> umožňuje jednoduchý a intuitivní trénink nejmodernějších deep learning modelů. arcgis.learn<\/A><\/STRONG> umožňuje mnohem rychlejší trénink a odstraňuje hádání v procesu tréninku. Bezproblémově se integruje s platformou ArcGIS tím, že přímo využívá exportované tréninkové vzorky, a vytvořené modely lze přímo použít pro inferenci v ArcGIS Pro a ArcGIS Image Server.<\/P>

Uživatelé ArcGIS Pro mohou využít metody Deep Learning pro klasifikaci dálkově snímaných dat. Klasifikace pixelů, klasifikace obrazů, klasifikace objektů a detekce lze všechny provádět v ArcGIS Pro. Podrobnější informace jsou k dispozici na stránkách nápovědy

deep learning v ArcGIS Pro<\/A><\/STRONG>. To znamená, že s dostupností notebooků v ArcGIS Pro i ArcGIS Online mohou lidé začít experimentovat s Deep Learningem na desktopu.<\/P>

Jednou z vzrušujících oblastí použití ArcGIS pro trénink je využití předtrénovaných modelů. Pokud vás tyto možnosti zajímají, podívejte se prosím na následující dokument o natrénovaných deep learning modelech a jejich základech v parametrech model_type a backbone_model:

Train Deep Learning Model<\/A><\/STRONG>.<\/P>

 <\/P>

Inferencing – měla by moje organizace používat ArcGIS Image Analyst nebo ArcGIS Image Server?<\/H3>Inferencing je proces aplikace natrénovaného modelu vyvinutého z tréninkových dat na dříve nepoužitý nebo nový datový soubor za účelem vytvoření nové sady anotací a označení. ArcGIS byl dlouhodobě využíván pro schopnosti strojového učení a nástroje. Lze jej použít k řešení různých geospatialních problémů, jako je identifikace objektů a klasifikace obrazů.<\/P>S deep learningem v ArcGIS jsou nástroje dostupné jak v ArcGIS Image Analyst tak i v ArcGIS Image Serveru, který je součástí ArcGIS Enterprise. Možná vás zajímá, kdy byste měli použít a) ArcGIS Image Analyst vs b) ArcGIS Image Server pro inferencing?<\/P> <\/P>Inferencing s ArcGIS Pro Image Analyst<\/H3>Pokud nemáte přístup k ArcGIS Enterprise, můžete použít ArcGIS Image Analyst<\/A><\strong> (desktop) k provedení inferencí/zpracování s grafickou kartou určenou pro deep learning. ArcGIS Image Analyst dobře funguje u projektů průměrné velikosti, ale u větších projektů mají zaměstnanci možnost škálovat své pracovní postupy na větší datové sady pomocí ArcGIS Image Server<\a>.<\p> <\p>Inferencing s ArcGIS Image Server<\h3>Automatizace detekce objektů zabere čas. Když váš projekt není malý a potřebujete škálovat a optimalizovat své AI operace, pak by měl být použit ArcGIS Image Server při spouštění velkých úloh. Použití ArcGIS Imager Server bude vždy nejrychlejší a nejefektivnější možností. Další výhodou použití ArcGIS Image Serveru pro inferencing je sdílení výsledků inferencí přístupných a sdílených přímo prostřednictvím vaší vlastní prostorové datové infrastruktury uvnitř i mimo organizaci.<\p>Pokud máte špičkovou GPU kartu a potřebujete více tipů o tom, kdy použít ArcGIS Pro vs ArcGIS Enterprise, doporučuji přečíst si tento skvělý článek Který je lepší pro deep learning: ArcGIS Pro nebo ArcGIS Enterprise? od mých kolegů z Esri Vinay Vishwambharan a Emily Windahl.<\p> <\p>Nástroje – několik populárních nástrojů pro inferencing<\h3>Nástroje pro inferencing<\p>Klasifikovat pixely pomocí Deep Learningu - V nasazení rastrové analýzy tento nástroj spustí natrénovaný deep learning model na vstupním obrázku za účelem vytvoření klasifikovaného rastrového obrazu publikovaného jako hostovaná vrstva snímků ve vašem portálu.<\p> < /p > Detekce objektů pomocí Deep Learningu < /a ></ strong > - V nasazení rastrové analýzy tento nástroj spustí natrénovaný deep learning model na vstupním rastrovém obrazu za účelem vytvoření třídy prvků obsahující objekty, které identifikuje. Třída prvků může být sdílena jako hostovaná feature vrstva ve vašem portálu. Features mohou být ohraničující boxy nebo polygony kolem nalezených objektů, nebo body ve středech objektů.<\/LI><\/UL>

<\/span><\/P> <\/P> <\/P>

Non-Maximum Suppression<\/A><\/STRONG> - Identifikuje duplicitní features z výstupu nástroje Detect Objects Using Deep Learning jako krok postprocessingu a vytváří nový výstup bez duplicitních features. Nástroj Detect Objects Using Deep Learning může vrátit více než jeden ohraničující box nebo polygon pro stejný objekt, zejména jako vedlejší efekt dlaždicování. Pokud se dva features překrývají více než daným maximálním poměrem, feature s nižší hodnotou důvěry bude odstraněn.<\/LI><\/UL>

<\/span><\/P> <\/P>Chtěl bych poděkovat všem, kteří sledovali tuto sérii. Pro část 5 dalšího dílu se budu zaměřovat na Providing National Scalability – Modernizing National Mapping Capabilities with AI and National 3D Basemaps.<\/P>Pokud jste zmeškali předchozí 3 části této 7-dílné série, neváhejte navštívit předchozí články.<\/P>

Část 1: Future Impacts by AI on Mapping and Modernization<\/A><\/P>

Část 2: GIS, Artificial Intelligence, and Automation in the Workplace<\/A><\/P>

Část 3: Teaming with the Machine: AI in the Workplace<\/A><\/P>

 <\/P>

 <\/P>

 <\/P>

 <\/P>