Der KI-Arbeitsplatz und der ArcGIS Deep Learning Workflow

KelleyArroyo

Verfasst von: <\/SPAN>Steve Snow<\/A><\/H3>

Esri Senior National Government Industry Strategy Specialist<\/P>

Teil 4 einer 7-teiligen Serie, die GIS und Künstliche Intelligenz untersucht<\/STRONG><\/EM><\/P> <\/P>Willkommen zu Teil 4 meiner AI- und GeoAI-Serie, die die technischeren Aspekte von GeoAI und ArcGIS behandelt. Zuvor behandelte Teil 1 dieser Serie die zukünftigen Auswirkungen von AI auf Kartierung und Modernisierung, in dem das Konzept von GeoAI eingeführt wurde und warum es wichtig ist, einen AI als zukünftigen Kollegen zu haben. Teil 2 der Serie, GIS, Künstliche Intelligenz und Automatisierung am Arbeitsplatz, behandelte spezifische geospatiale Berufe, die durch die Einführung der GeoAI-Technologie am Arbeitsplatz drastisch beeinflusst werden. Teil 3 befasste sich mit der Zusammenarbeit mit der Maschine - AI am Arbeitsplatz, dem Entstehen der neuen geospatialen Arbeitsbeziehung zwischen Information, Menschen und künstlicher Intelligenz, um in der Mission einer Organisation erfolgreich zu sein.<\/P>Für Teil 4 werden wir 3 spezifische GeoAI-Bereiche in ArcGIS behandeln, die Ihnen bei Ihrer Reise zur Entwicklung Ihrer Deep Learning-Workflows helfen.<\/P>Werkzeuge zur Generierung von Trainingsdaten<\/LI>Werkzeuge & APIs zum Trainieren von Modellen<\/LI>Werkzeuge zur Durchführung von Inferencing, wie Objekterkennung, Landbedeckungsklassifikation und mehr...<\/LI><\/UL><\/span><\/P> <\/P>

Werkzeuge zur Generierung von Trainingsdaten<\/H3>ArcGIS verfügt über viele Werkzeuge, die bei GeoAI-Workflows für Datenvorbereitung und Analyse, Training von Deep Learning-Modellen, Inferencing und Teilen von Daten für Zusammenarbeit mit Webdiensten und Karten helfen. Die Werkzeuge zur Erstellung von AI-Training finden sich in ArcGIS Pro Image Analyst und ArcGIS Image Server. ArcGIS Image Analyst bietet Werkzeuge zum Labeln von Objekten und Exportieren von Trainingsmodellen für Deep Learning sowie zur Nutzung trainierter Modelle für Feature-Extraktion oder Klassifikation. ArcGIS Image Server in ArcGIS Enterprise 10.7 und höher hat dieselben Fähigkeiten und ermöglicht Skalierung durch verteiltes Rechnen unter Verwendung von Clouds vor Ort, außerhalb des Standorts oder hybriden Cloud-Ansätzen.<\/P>Neben der Nutzung vorgefertigter Werkzeuge innerhalb der ArcGIS-Produkte können Benutzer auch über Skripting und Notebooks arbeiten.<\/P><\/span><\/P> <\/P>Werkzeuge & APIs zum Trainieren von Modellen<\/H3>Modelle können entweder über ArcGIS Notebooks, ArcGIS Learn API oder in ArcGIS Pro trainiert werden. ArcGIS Notebooks<\/A><\/STRONG> ermöglichen einen Ein-Klick-Zugriff auf vorkonfigurierte Jupyter Notebooks. Dies beinhaltet zeitsparende Deep Learning-Bibliotheken mit einer Galerie vorkonfigurierter Notebooks, die Deep Learning-Modelle für einfaches Training und Deployment enthalten.<\/P>

Das

arcgis.learn<\/A><\/STRONG> ist ein Modul in der ArcGIS API für Python, das Organisationen ermöglicht, Deep Learning einfach zu übernehmen und in ihren Workflows anzuwenden. arcgis.learn<\/A><\/STRONG> ermöglicht einfaches und intuitives Training modernster Deep Learning-Modelle. arcgis.learn<\/A><\/STRONG> erlaubt viel schnelleres Training und eliminiert das Rätselraten im Trainingsprozess. Es integriert sich nahtlos in die ArcGIS-Plattform durch direkte Nutzung der exportierten Trainingsproben, und die erstellten Modelle können direkt für Inferencing in ArcGIS Pro und ArcGIS Image Server verwendet werden.<\/P>

ArcGIS Pro-Benutzer können Deep Learning-Trainingsmethoden für die Klassifikation ferngesteuerter Daten nutzen. Pixelklassifikation, Bildklassifikation, Objektklassifikation und -erkennung können alle mit ArcGIS Pro durchgeführt werden. Detailliertere Informationen finden Sie auf den

Deep Learning in ArcGIS Pro<\/A><\/STRONG>-Hilfeseiten. Das bedeutet, dass mit verfügbaren Notebooks in ArcGIS Pro und ArcGIS Online Menschen mit Deep Learning auf dem Desktop experimentieren können.<\/P>

Ein spannender Bereich bei der Nutzung von ArcGIS zum Training ist die Nutzung vortrainierter Modelle. Wenn Sie an diesen Fähigkeiten interessiert sind, schauen Sie sich bitte das folgende Dokument zu trainierten Deep Learning-Modellen und deren Backbones in den Parametern model_type und backbone_model an:

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

 <\/P>

Inferencing – sollte meine Organisation ArcGIS Image Analyst oder ArcGIS Image Server verwenden?<\/H3>Inferencing ist der Prozess der Anwendung des trainierten Modells, das aus den Trainingsdaten entwickelt wurde, auf einen zuvor nicht verwendeten oder neuen Datensatz, um eine neue Menge an Annotationen und Labeling zu erstellen. ArcGIS wird seit langem für Machine Learning-Fähigkeiten und Werkzeuge genutzt. Es kann verwendet werden, um eine Vielzahl geospatialer Probleme zu lösen, wie z.B. Identifikation von Objekten und Bildklassifikation.<\/P>Mit Deep Learning in ArcGIS sind die Werkzeuge sowohl im ArcGIS Image Analyst als auch im ArcGIS Image Server verfügbar, welcher Teil von ArcGIS Enterprise ist. Sie fragen sich vielleicht, wann Sie a) ArcGIS Image Analyst vs b) ArcGIS Image Server für Inferencing verwenden sollten?<\/P> <\/P>Inferencing mit ArcGIS Pro Image Analyst<\/H3>Wenn Sie keinen Zugriff auf ArcGIS Enterprise haben, können Sie den ArcGIS Image Analyst<\/A><\strong> (Desktop) verwenden, um das Inferencing bzw. die Verarbeitung mit einer Grafikkarte durchzuführen, die für Deep Learning geeignet ist. ArcGIS Image Analyst funktioniert gut bei durchschnittlich großen Projekten, aber bei größeren Projekten haben Mitarbeiter die Möglichkeit, ihre Workflows für größere Datensätze mit ArcGIS Image Server<\A> zu skalieren.<\p> <\p>Inferencing mit ArcGIS Image Server<\h3>Automatisierte Objekterkennung benötigt Zeit. Wenn Ihr Projekt nicht klein ist und Sie Ihre AI-Operationen skalieren und optimieren müssen, dann sollte ArcGIS Image Server verwendet werden, wenn große Jobs ausgeführt werden. Die Verwendung von ArcGIS Image Server ist immer die schnellste und effizienteste Option. Ein zusätzlicher Vorteil bei der Verwendung von ArcGIS Image Server für Inferencing besteht darin, inferenzierte Ausgaben zu teilen, die direkt über Ihre eigene räumliche Dateninfrastruktur innerhalb und außerhalb der Organisation zugänglich sind.<\p>Wenn Sie eine High-End-GPU haben und weitere Tipps benötigen, wann Sie ArcGIS Pro vs ArcGIS Enterprise verwenden sollten, empfehle ich Ihnen diesen großartigen Artikel Which is better for deep learning ArcGIS Pro or ArcGIS Enterprise? meiner Esri-Kollegen Vinay Vishwambharan und Emily Windahl.<\p> <\p>Werkzeuge – einige beliebte Inferencing-Werkzeuge<\h3>Inferencing-Werkzeuge<\p>Classify Pixels Using Deep Learning - In einem Rasteranalyse-Einsatz führt dieses Werkzeug ein trainiertes Deep Learning-Modell auf einem Eingabebild aus, um ein klassifiziertes Raster zu erzeugen, das als gehostete Bildschicht in Ihrem Portal veröffentlicht wird.<\p> 
Object Detection Using Deep Learning - In einem Rasteranalyse-Einsatz führt dieses Werkzeug ein trainiertes Deep Learning-Modell auf einem Eingabe-Raster aus , um eine Feature-Class zu erzeugen , die die erkannten Objekte enthält . Die Feature-Class kann geteilt werden als ein gehosteter Feature-Layer in Ihrem Portal. Die Features können Begrenzungsrahmen oder Polygone um die gefundenen Objekte sein oder Punkte in den Zentren der Objekte.<\/LI><\/UL><\/span><\/P> <\/P> <\/P>Non-Maximum Suppression<\/A><\/STRONG> - Identifiziert doppelte Features aus der Ausgabe des Tools Detect Objects Using Deep Learning als Nachbearbeitungsschritt und erstellt eine neue Ausgabe ohne doppelte Features. Das Tool Detect Objects Using Deep Learning kann mehr als einen Begrenzungsrahmen oder ein Polygon für dasselbe Objekt zurückgeben, insbesondere als Nebeneffekt des Kachelns. Wenn sich zwei Features mehr als ein gegebenes maximales Verhältnis überlappen, wird das Feature mit dem niedrigeren Vertrauenswert entfernt.<\/LI><\/UL>

<\/span><\/P> <\/P>Ich möchte mich bei allen bedanken, die dieser Serie gefolgt sind. Für Teil 5 der nächsten Folge werde ich mich auf die Bereitstellung nationaler Skalierbarkeit konzentrieren – Modernisierung nationaler Kartierungsfähigkeiten mit AI und nationalen 3D-Basiskarten.<\/P>Falls Sie die vorherigen 3 Abschnitte dieser 7-teiligen Serie verpasst haben, können Sie gerne die vorherigen Artikel besuchen.<\/P>

Teil 1: Zukünftige Auswirkungen von AI auf Kartierung und Modernisierung<\/A><\/P>

Teil 2: GIS, Artificial Intelligence und Automatisierung am Arbeitsplatz<\/A><\/P>

Teil 3: Zusammenarbeit mit der Maschine: AI am Arbeitsplatz<\/A><\/P>

 <\/P>

 <\/P>

 <\/P>

 <\/P>