Le lieu de travail IA et le flux de travail ArcGIS Deep Learning

KelleyArroyo

Rédigé par : <\/SPAN>Steve Snow<\/A><\/H3>

Spécialiste principal de la stratégie nationale pour l'industrie gouvernementale chez Esri<\/P>

Partie 4 d'une série en 7 parties explorant GIS et Intelligence Artificielle<\/STRONG><\/EM><\/P> <\/P>Bienvenue dans la partie 4 de ma série sur l'IA et GeoAI qui couvrira les aspects plus techniques de GeoAI et ArcGIS. Précédemment, la partie 1 de cette série traitait des impacts futurs de l'IA sur la cartographie et la modernisation, introduisant le concept de GeoAI et pourquoi vous devriez vous soucier d'avoir une IA comme futur collègue. La partie 2 de la série, GIS, Intelligence Artificielle et Automatisation au Travail, couvrait des professions géospatiales spécifiques qui seront profondément affectées par l'introduction de la technologie GeoAI sur le lieu de travail. La partie 3 abordait le travail en équipe avec la machine - IA au travail, l'émergence de la nouvelle relation géospatiale entre l'information, les humains et l'intelligence artificielle pour réussir dans la mission d'une organisation.<\/P>Pour la partie 4, nous aborderons 3 domaines spécifiques de GeoAI dans ArcGIS qui vous aideront dans votre parcours pour développer vos flux de travail Deep Learning.<\/P>Outils pour générer des données d'entraînement<\/LI>Outils & API pour entraîner des modèles<\/LI>Outils pour effectuer des inférences, telles que la détection d'objets, la classification de couverture terrestre et plus encore...<\/LI><\/UL><\/span><\/P> <\/P>

Outils pour générer des données d'entraînement<\/H3>ArcGIS dispose de nombreux outils qui aident aux flux de travail GeoAI pour la préparation et l'analyse des données, l'entraînement des modèles deep learning, les inférences et le partage des données pour la collaboration avec des services web et des cartes. Les outils pour créer un entraînement IA se trouvent dans ArcGIS Pro Image Analyst et ArcGIS Image Server. ArcGIS Image Analyst propose des outils pour étiqueter les objets et exporter les modèles d'entraînement pour le deep learning ainsi que pour utiliser les modèles entraînés pour l'extraction ou la classification des entités. ArcGIS Image Server dans ArcGIS Enterprise 10.7 et versions supérieures offre les mêmes capacités et permet une montée en charge via le calcul distribué utilisant des clouds sur site, hors site ou des approches cloud hybrides.<\/P>En plus d'utiliser les outils préconçus dans les produits ArcGIS, les utilisateurs peuvent également travailler via scripting et notebooks.<\/P><\/span><\/P> <\/P>Outils & API pour entraîner des modèles<\/H3>L'entraînement des modèles peut se faire soit via ArcGIS notebooks, ArcGIS Learn API, ou dans ArcGIS Pro. ArcGIS Notebooks<\/A><\/STRONG> permet un accès en un clic à des Jupyter Notebooks préconfigurés. Cela inclut des bibliothèques deep learning économisant du temps grâce à une galerie de notebooks préconfigurés contenant des modèles deep learning pour un entraînement et un déploiement faciles.<\/P>

Le

arcgis.learn<\/A><\/STRONG> est un module dans l'API ArcGIS pour Python qui permet aux organisations d'adopter facilement le deep learning dans leurs flux de travail. arcgis.learn<\/A><\/STRONG> permet un entraînement simple et intuitif de modèles deep learning à la pointe. arcgis.learn<\/A><\/STRONG> permet un entraînement beaucoup plus rapide et élimine les conjectures dans le processus d'entraînement. Il s'intègre parfaitement à la plateforme ArcGIS en consommant directement les échantillons d'entraînement exportés, et les modèles créés peuvent être utilisés directement pour l'inférence dans ArcGIS Pro et ArcGIS Image Server.<\/P>

Les utilisateurs d'ArcGIS Pro peuvent utiliser les méthodes d'entraînement Deep Learning pour la classification des données télédétectées. La classification par pixel, classification d'image, classification d'objet et détection peuvent toutes être réalisées avec ArcGIS Pro. Des informations plus détaillées sont disponibles sur les pages d'aide

deep learning in ArcGIS Pro<\/A><\/STRONG>. Cela signifie qu'avec les notebooks disponibles dans ArcGIS Pro et ArcGIS Online, les utilisateurs peuvent commencer à expérimenter le Deep Learning sur le bureau.<\/P>

Un domaine passionnant utilisant ArcGIS pour l'entraînement est l'exploitation des modèles pré-entraînés. Si vous êtes intéressé par ces capacités, veuillez consulter le document suivant concernant les modèles deep learning entraînés et leurs architectures dans les paramètres model_type et backbone_model :

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

 <\/P>

Inférence – mon organisation doit-elle utiliser ArcGIS Image Analyst ou ArcGIS Image Server ?<\/H3>L'inférence est le processus consistant à appliquer le modèle entraîné, développé à partir des données d'entraînement, à un ensemble de données auparavant inutilisé ou nouveau afin de créer un nouvel ensemble d'annotations et d'étiquetage. ArcGIS est utilisé depuis longtemps pour ses capacités et outils d'apprentissage automatique. Il peut être utilisé pour résoudre une variété de problèmes géospatiaux tels que l'identification d'objets et la classification d'images.<\/P>Avec le deep learning dans ArcGIS, les outils sont disponibles à la fois dans ArcGIS Image Analyst et ArcGIS Image Server qui fait partie d'ArcGIS Enterprise. Vous vous demandez peut-être quand utiliser a) ArcGIS Image Analyst vs b) ArcGIS Image Server pour l'inférence ?<\/P> <\/P>Inférence avec ArcGIS Pro Image Analyst<\/H3>Si vous n'avez pas accès à ArcGIS Enterprise, vous pouvez utiliser ArcGIS Image Analyst<\/A><\/STRONG> (bureau) pour effectuer l'inférence / traitement avec une carte graphique conçue pour le deep learning. ArcGIS Image Analyst fonctionne bien avec des projets de taille moyenne en général, mais pour des projets plus importants, le personnel a la possibilité de faire évoluer leurs flux de travail vers des ensembles de données plus volumineux avec ArcGIS Image Server<\/A><\/STRONG>.<\/P>

 <\/P>

Inférence avec ArcGIS Image Server<\/H3>L'automatisation de la détection d'objets prend du temps. Lorsque votre projet n'est pas petit et que vous devez monter en charge et optimiser vos opérations IA, alors ArcGIS Image Server<\/A><\/STRONG> doit être utilisé lors du lancement de gros travaux. Utiliser ArcGIS Imager Server sera toujours l'option la plus rapide et efficace. Un avantage supplémentaire d'utiliser ArcGIS Image Server pour l'inférence est le partage des résultats inférés accessibles directement via votre propre infrastructure spatiale interne ou externe à l'organisation.<\/P>

Si vous disposez d'un GPU haut de gamme et avez besoin de conseils supplémentaires sur quand utiliser ArcGIS Pro vs ArcGIS Enterprise, je vous recommande cet excellent article

Which is better for deep learning ArcGIS Pro or ArcGIS Enterprise?<\/A><\/STRONG> écrit par mes collègues Esri Vinay Vishwambharan<\/A><\/ une couche d'entités hébergée dans votre portail. Les entités peuvent être des boîtes englobantes ou des polygones autour des objets trouvés, ou des points au centre des objets.<\/LI><\/UL>

<\/span><\/P> <\/P> <\/P>

Non-Maximum Suppression<\/A><\/STRONG> - Identifie les entités dupliquées à partir de la sortie de l'outil Detect Objects Using Deep Learning comme étape de post-traitement et crée une nouvelle sortie sans entités dupliquées. L'outil Detect Objects Using Deep Learning peut retourner plus d'une boîte englobante ou polygone pour le même objet, surtout en tant qu'effet secondaire du carrelage. Si deux entités se chevauchent plus qu'un ratio maximum donné, l'entité avec la valeur de confiance la plus basse sera supprimée.<\/LI><\/UL>

<\/span><\/P> <\/P>Je tiens à remercier tout le monde pour avoir suivi cette série. Pour la partie 5 du prochain épisode, je me concentrerai sur Providing National Scalability 93 Modernizing National Mapping Capabilities with AI and National 3D Basemaps.<\/P>Si vous avez manqué les 3 sections précédentes de cette série en 7 parties, n'hésitez pas à consulter les articles précédents.<\/P>

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

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

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

 <\/P>

 <\/P>

 <\/P>

 <\/P>