1.深度学习环境安装
1.1点击pro中project-python,依次如下设置即可
2.为深度学习标记样本
2.1选中要深度学习的影像,选中imagery—classification tools—labels objects for deep learning
2.2点击加号(add new class),输入名称和值,并绘制样本后点击保存至当前地图的数据库
2.3点击export training data,其中参数
Image format为输出样本的格式,tif、png、jpeg都可以
Tile size x/y为输出样本的大小(根据所需检测地物的大小调整):如256表示的实际大小为256*影像的分辨率,判断是否合适可查看输出的每张样本切片是否包含完整的检测地物
Stride x/y为取下一个分块大小时候会与上一个重叠的部分,如分块大小为256,这里填入128表示从上一分块的一半开始取样
Rotation angle为旋转度数,设置旋转度数可增加样本量,如90则需对样本旋转四次
输出的内容为:
3.训练深度学习模型
3.1选择影像分析工具—深度学习—train deep learning model,其中参数
输入为上一步输出的文件夹
max epoch:训练轮数
Model type:选择一种对象检测模型
batch size:每次处理的样本数
learning rate:学习率,可不用填,会自动计算
Backbone model:有ResNet、DenseNet、VGG三种,其中后面的数字表示深度不同,DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能
Validation:检验率,10%表示有10%的样本用于检验
运行环境参数:
Processor type:电脑显卡好,选择GPU
(之前运行一直报错但没有具体原因,采用ArcGIS API for Python运行报错
no kernel image is available for execution on the device addWithCuda failed!,错误原因为电脑显卡算力太低,与深度学习安装的包不匹配,因此选择CPU运行才成功)
3.2运行结果,点击model_metrics.html可查看精度
4.使用深度学习检测对象
4.1打开 detect objects using deep learning,参数
输入栅格为要检测的影像
模型定位为上一步输出的.emd文件