Mit der Spatial Analyst-Lizenz verfügbar.
Zusammenfassung
Verwendet ein Fernerkundungsbild zum Konvertieren von beschrifteten Vektor- oder Raster-Daten in Training-Datasets für Deep Learning. Die Ausgabe ist ein Ordner mit Bild-Chips und einer mit Metadaten-Dateien im angegebenen Format.
Verwendung
Mit diesem Tool lassen sich Trainings-Datasets für die Unterstützung von Deep-Learning-Anwendungen von Drittanbietern erstellen, z. B. Google TensorFlow oder Microsoft CNTK.
Verwenden Sie vorhandene Klassifizierungs-Trainingsgebiet- oder GIS-Feature-Class-Daten wie Gebäude-Footprint-Layer, um Bildschnipsel zu erzeugen, die die Klassenstichprobe aus Ihrem Quellbild enthalten. Die Abmessungen von Bildschnipseln betragen in der Regel 256 x 256 Pixel, es sei denn, das Trainingsgebiet ist größer.
Deep-Learning-Class-Trainingsgebiete setzen sich aus kleinen Sub-Bildern mit dem Feature oder der Klasse von Interesse zusammen. Man nennt sie Bildschnipsel.
Syntax
ExportTrainingDataForDeepLearning (in_raster, out_folder, in_class_data, image_chip_format, {tile_size_x}, {tile_size_y}, {stride_x}, {stride_y}, {output_nofeature_tiles}, {metadata_format}, {start_index})| Parameter | Erläuterung | Datentyp | |||||||||||||||||||||||||||
in_raster | Eingabe-Quellbild, in der Regel Multispektralbild. Beispiele für Eingabe-Quellbilder sind Multispektralsatellit-, Drohnen-, Luft- oder NAIP-Bilder (National Agriculture Imagery Program). | Raster Dataset; Raster Layer | |||||||||||||||||||||||||||
out_folder | Geben Sie einen Ordner für die Ausgabe-Bildschnipsel und Metadaten an. | Directory | |||||||||||||||||||||||||||
in_class_data | Beschriftete Daten in Vektor- oder Raster-Form. Vektoreingaben sollten einem Trainingsgebiet-Format entsprechen, das mit der ArcGIS Desktop-Werkzeugleiste Bildklassifizierung erstellt wurde. Raster-Eingaben sollten einem klassifizierten Raster-Format entsprechen, das mit dem Werkzeug Raster klassifizieren erstellt wurde. | Feature Dataset; Feature Layer; Raster Dataset; Raster Layer | |||||||||||||||||||||||||||
image_chip_format | Das Rasterformat für die ausgegebenen Bildschnipsel.
| String | |||||||||||||||||||||||||||
tile_size_x (optional) | Größe der Bildschnipsel (X-Dimension). | Long | |||||||||||||||||||||||||||
tile_size_y (optional) | Größe der Bildschnipsel (Y-Dimension). | Long | |||||||||||||||||||||||||||
stride_x (optional) | Verschiebung in X-Richtung bei Erstellung des nächsten Bildschnipsel. Wenn der Schritt der Kachelgröße entspricht, gibt es keine Überlappung. Wenn der Schritt der halben Kachelgröße entspricht, gibt es eine Überlappung von 50 %. | Long | |||||||||||||||||||||||||||
stride_y (optional) | Verschiebung in Y-Richtung bei Erstellung des nächsten Bildschnipsel. Wenn der Schritt der Kachelgröße entspricht, gibt es keine Überlappung. Wenn der Schritt der halben Kachelgröße entspricht, gibt es eine Überlappung von 50 %. | Long | |||||||||||||||||||||||||||
output_nofeature_tiles (optional) | Wählen Sie diese Option aus, wenn Bildschnipsel mit überlappenden beschrifteten Daten exportiert werden.
| Boolean | |||||||||||||||||||||||||||
metadata_format (optional) | Das Ausgabeformat für Metadatenbeschriftungen. Es gibt 3 Optionen der Ausgabe-Metadaten-Beschriftungen für die Trainingsdaten: KITTI-Rechtecke, PASCAL VOC-Rechtecke und Klassifizierte Kacheln (eine Class-Karte). Wenn es sich bei den Eingabedaten für das Trainingsgebiet um einen Feature-Class-Layer handelt, wie zum Beispiel eine Gebäude-Layer- oder Standardklassifizierungs-Trainingsgebiet-Datei, dann verwenden Sie die KITTI- oder PASCAL VOC-Rechtecke. Die Ausgabe-Metadaten sind eine .txt-Datei oder .xml-Datei mit den Daten für das Trainingsgebiet, die im kleinsten umgebenden Rechteck enthalten sind. Der Name der Metadatendatei stimmt mit dem Namen des Eingabequellbildes überein. Wenn es sich bei den Eingabedaten für das Trainingsgebiet um eine Class-Karte handelt, verwenden Sie als Format für die Ausgabemetadaten die Option Klassifizierte Kacheln.
Die folgende Tabelle enthält eine Beschreibung der 15 Werte im KITTI-Metadatenformat. Im Werkzeug werden nur fünf der fünfzehn möglichen Werte verwendet: Der Klassenname (in Spalte 1) und das kleinste umgebende Rechteck aus vier Bildkoordinatenpositionen (Spalten 5-8). Das kleinste umgebende Rechteck umfasst den im Deep-Learning-Klassifikator verwendeten Training-Schnipsel.
Weitere Information finden Sie unter KITTI-Metadatenformat Nachfolgend finden Sie ein Beispiel für PASCAL VOC. Weitere Informationen finden Sie unter PASCAL Visual Object Classes | String | |||||||||||||||||||||||||||
start_index (optional) | Ermöglicht das Festlegen des Startindexes für die Abfolge von Bildschnipseln. Damit können Sie mehr Bildschnipsel an eine vorhandene Sequenz anhängen. Der Standardwert ist 0. | Long |
.Codebeispiel
ExportTrainingDataForDeepLearning – Beispiel 1 (Python-Fenster)
In diesem Beispiel werden Trainingsgebiete für Deep Learning erstellt.
from arcpy.sa import *
ExportTrainingDataForDeepLearning("c:/test/image.tif", "c:/test/outfolder",
"c:/test/training.shp", "TIFF", "256",
"256", "128", "128", "NO", "KITTI_rectangles")
ExportTrainingDataForDeepLearning – Beispiel 2 (eigenständiges Skript)
In diesem Beispiel werden Trainingsgebiete für Deep Learning erstellt.
# Import system modules and check out ArcGIS Spatial Analyst extension license
import arcpy
arcpy.CheckOutExtension("Spatial")
from arcpy.sa import *
# Set local variables
inRaster = "c:/test/image.tif"
out_folder = "c:/test/outfolder"
in_training = "c:/test/training.shp"
image_chip_format = "TIFF"
tile_size_x = "256"
tile_size_y = "256"
stride_x="128"
stride_y="128"
output_nofeature_tiles="NO"
metadata_format="KITTI_rectangles"
# Execute
ExportTrainingDataForDeepLearning(inRaster, out_folder, in_training,
image_chip_format,tile_size_x, tile_size_y,
stride_x, stride_y,output_nofeature_tiles,
metadata_format)
Umgebungen
Lizenzinformationen
- ArcGIS Desktop Basic: Erfordert Spatial Analyst
- ArcGIS Desktop Standard: Erfordert Spatial Analyst
- ArcGIS Desktop Advanced: Erfordert Spatial Analyst