Objekte mit Deep Learning klassifizieren
Dieses Werkzeug führt ein trainiertes Deep-Learning-Modell in einem Eingabe-Raster und einer optionalen Feature-Class aus und erstellt eine Feature-Class oder Tabelle, in der jedes Eingabeobjekt über eine zugewiesene Klassenbeschriftung verfügt.
Wenn die Option Aktuelle Kartenausdehnung verwenden aktiviert ist, wird nur die Raster-Fläche analysiert, die in der aktuellen Kartenausdehnung sichtbar ist. Wenn diese Option deaktiviert ist, wird auch dann das gesamte Raster analysiert, wenn es sich außerhalb der aktuellen Kartenausdehnung befindet.
Bild für die Klassifizierung von Objekten auswählen
Das Eingabebild für die Ermittlung von Objekten.
Feature-Layer für Objekte auswählen (optional)
Der Punkt-, Linien- oder Polygon-Eingabe-Feature-Layer, der die Position jedes zu klassifizierenden und zu beschriftenden Objekts identifiziert. Jede Zeile im Eingabe-Feature-Layer repräsentiert ein einzelnes Objekt.
Wenn kein Eingabe-Feature-Layer angegeben ist, wird angenommen, dass jedes Eingabebild ein einzelnes zu klassifizierendes Objekt enthält. Wenn das Eingabebild oder die Eingabebilder einen Raumbezug verwenden, ist die Ausgabe des Werkzeugs ein Feature-Layer, in dem die Ausdehnung jedes Bildes als Begrenzungsgeometrie für jede beschriftete Feature-Class verwendet wird. Wenn das Eingabebild oder die Eingabebilder keinen Raumbezug verwenden, ist die Ausgabe des Werkzeugs eine Tabelle mit den Bild-ID-Werten und Klassenbeschriftungen für jedes Bild.
Deep-Learning-Modell für die Klassifizierung von Objekten auswählen
Das Eingabe-Deep-Learning-Paketelement ( .dlpk).
Das Deep-Learning-Paket besteht aus der JSON-Datei mit der Esri Modelldefinition ( .emd), der binären Datei des Deep-Learning-Modells und optional aus der zu verwendenden Python-Raster-Funktion.
Verarbeitungsmodus
Legt fest, wie alle Raster-Elemente in einem Mosaik-Dataset oder Image-Service verarbeitet werden. Dieser Parameter findet Anwendung, wenn es sich beim Eingabe-Raster um ein Mosaik-Dataset oder einen Image-Service handelt.
- PROCESS_AS_MOSAICKED_IMAGE — Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung.
- PROCESS_ITEMS_SEPARATELY — Alle Raster-Elemente im Mosaik-Dataset oder Image-Service werden als separate Bilder verarbeitet.
Argumente für das Deep-Learning-Modell angeben
Die Funktionsargumente werden in der Python-Raster-Funktionsklasse definiert, die vom Eingabemodell referenziert wird. Hier geben Sie zusätzliche Deep-Learning-Parameter und Argumente für Experimente und Verfeinerungen wie den Konfidenzschwellenwert zur Anpassung der Empfindlichkeit an.
Die Namen der Argumente werden vom Werkzeug durch Lesen des Python-Moduls im Raster-Analyse-Server ausgefüllt.
Feldname für die Klassenbeschriftung definieren
Der Name des Feldes für die Klassifizierungsbeschriftung im Ausgabe-Feature-Layer.
Falls kein Feldname angegeben ist, wird das neue Feld ClassLabel im Ausgabe-Feature-Layer erstellt.
Verarbeitungsmodus
Legt fest, wie alle Raster-Elemente in einem Image-Service verarbeitet werden.
- Als mosaikiertes Bild verarbeiten: Alle Raster-Elemente im Image-Service werden zusammen mosaikiert und verarbeitet. Dies ist die Standardeinstellung.
- Elemente separat verarbeiten: Alle Raster-Elemente im Image-Service werden als separate Bilder verarbeitet.
Name des Ergebnis-Layers
Der Name des Layers, der in Eigene Inhalte erstellt und der Karte hinzugefügt wird. Der Standardname basiert auf dem Werkzeugnamen und dem Namen des Eingabe-Layers. Wenn der Layer bereits vorhanden ist, werden Sie aufgefordert, einen anderen Namen einzugeben.
Sie können den Namen eines Ordners in Eigene Inhalte angeben, in dem das Ergebnis über das Dropdown-Feld Ergebnis speichern in gespeichert wird.