El aprendizaje profundo es un método que evoluciona rápidamente del análisis de datos de aprendizaje automático que utiliza redes neuronales para imitar los procesos del cerebro humano. Cuando se integra con SIG, puede mejorar el tratamiento de los datos y proporcionar análisis más precisos.
Por lo general, hay tres desafíos principales asociados con los algoritmos de aprendizaje automático: analizar grandes cantidades de datos, recursos computacionales insuficientes y la eficiencia y precisión de los algoritmos. Al integrar ArcGIS Notebooks y algoritmos de aprendizaje profundo, será posible administrar mejor estos desafíos.
Aprendizaje profundo en ArcGIS Notebooks
Los modelos de aprendizaje profundo de datos de imágenes disponibles en ArcGIS Notebooks se dividen en cuatro categorías principales:
- Clasificación de objetos: se utiliza para determinar la clase de una entidad. Por ejemplo, se puede utilizar para determinar si un edificio está dañado tras un desastre natural.
- Detección de objetos: el proceso de localización de buscar un objeto en una imagen dentro de un cuadro de delimitación. Por ejemplo, la detección de objetos se puede utilizar para detectar piscinas en una imagen.
- Clasificación de píxeles: se utiliza para asignar clases a píxeles dentro de una imagen. Por ejemplo, la clasificación de píxeles se puede utilizar para la clasificación de cobertura de suelo.
- Clasificación de instancias: integra tanto la detección de objetos como la clasificación de píxeles. La clasificación de instancias se puede utilizar para detectar un objeto y clasificarlo aún más. Por ejemplo, la clasificación de píxeles se puede utilizar en la detección de daños no solo para identificar los daños, sino también para clasificar aún más la gravedad de los daños.
Nota:
ArcGIS Notebooks también admiten modelos centrados en datasets tabulares, de nube de puntos y otros datasets estructurados.
Flujos de trabajo de aprendizaje profundo
ArcGIS Notebook Server puede utilizarse para llevar a cabo los siguientes flujos de trabajo de aprendizaje profundo:
- Aprendizaje profundo integral
- Inferencia mediante modelos preentrenados
- Ajuste preciso de modelos preentrenados
Aprendizaje profundo integral
El aprendizaje profundo integral es un método transformador en el aprendizaje automático donde se entrena una única red neuronal para realizar tareas complejas directamente a partir de datos de entrada sin procesar, evitando la necesidad de extraer manualmente las entidades. Este proceso consta de los pasos siguientes:
- Recopilación de datos: reúna un dataset grande y diverso que sea relevante para la tarea.
- Preprocesamiento de datos: limpie y prepare los datos para el entrenamiento.
- Diseño del modelo: elija una arquitectura de red neuronal.
- Entrenamiento: el modelo se entrena en el dataset y los parámetros se ajustan para minimizar los errores.
- Evaluación: pruebe el modelo en otro dataset para evaluar el rendimiento del modelo.
- Implementación: implemente el modelo entrenado en una aplicación del mundo real.
Consulte Ejemplo: Flujo de trabajo de aprendizaje profundo integral para ver un flujo de trabajo de ejemplo.
Modelos preentrenados
Los modelos de aprendizaje profundo preentrenados pueden optimizar sus flujos de trabajo geoespaciales porque eliminan la necesidad de contar con datos de entrenamiento y recursos informáticos extensos. ArcGIS ofrece una serie de modelos de aprendizaje profundo preentrenados para diferentes tareas. Estos modelos pueden descargarse desde ArcGIS Living Atlas y usarse en ArcGIS Notebooks cargándolos como contenido del portal.
Consulte Ejemplo: Inferencia utilizando un modelo preentrenado para ver un flujo de trabajo de ejemplo.