Utiliser des modèles de Deep Learning dans ArcGIS Notebooks

Le Deep learning est une méthode d’analyse de données par Machine Learning en constante évolution, qui fait appel à des réseaux neuronaux pour reproduire le comportement du cerveau humain. Intégré au SIG, il permet d’améliorer la gestion des données et offre une analyse des données plus précise.

Les trois principales difficultés liées aux algorithmes de Machine Learning sont les suivantes : analyse de volumes de données importants, ressources de calcul insuffisantes, efficacité et exactitude des algorithmes. L’intégration de ArcGIS Notebooks et des algorithmes de Deep Learning permet de mieux gérer ces difficultés.

Deep Learning dans ArcGIS Notebooks

Les modèles de Deep Learning associés aux données d’imagerie disponibles dans ArcGIS Notebooks peuvent être répartis dans quatre catégories principales :

• Classification d’objet : modèles utilisés pour déterminer la classe d’une entité. Par exemple, un modèle peut être utilisé pour déterminer si un bâtiment a été endommagé par une catastrophe naturelle.
• Détection d’objet : traitement de localisation pour trouver un objet dans une image dans une emprise. Par exemple, la détection d’objet peut être utilisée pour trouver les piscines dans une image.
• Classification de pixels : modèles permettant d’affecter des classes aux pixels d’une image. Par exemple, la classification de pixels peut être utilisée pour la classification d’occupation du sol.
• Classification d’instances : intègre la détection d’objets et la classification de pixels. La classification d’instances peut être utilisée pour détecter un objet et le classifier plus précisément. Par exemple, la classification de pixels peut être utilisée lors de la détection des dommages, non seulement pour identifier ces derniers, mais pour déterminer leur gravité.

Remarque :

ArcGIS Notebooks prend également en charge des modèles ciblés sur les jeux de données tabulaires, de nuages de points et d’autres jeux de données structurés.

ArcGIS Notebooks peut être utilisé pour le Deep Learning global, au cours duquel un même réseau neuronal est entraîné pour réaliser des tâches complexes directement à partir des données en entrées brutes, sans avoir recours à l’extraction manuelle des entités. Le traitement commence par la collecte des données.

Comparaison entre modèles pré-entraînés et modèles d’entraînement

Deux types de Deep Learning peuvent être utilisés dans ArcGIS :

• Modèles pré-entraînés : utilisés pour tirer des informations clés des données, sans disposer de volumes importants de données d’entraînement ni passer du temps à entraîner des modèles. L’utilisation de modèles pré-entraînés permet de gagner du temps, mais parfois aux dépens de l’exactitude. Ces modèles peuvent être ré-entraînés pour améliorer leur exactitude.
  • Exemple : classification d’occupation du sol à l’aide de données d’entraînement rares, en utilisant un classificateur UNet comme modèle pré-entraîné
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.show_results()
    unet.per_class_metrics()
    

• Modèles de Deep Learning d’entraînement : l’entraînement d’un modèle de Deep Learning sur un jeu de données volumineux, avec des ressources et une durée d’entraînement suffisantes, permet de développer un modèle plus précis.
  • Exemple : classification d’occupation du sol à l’aide de données d’entraînement rares, en utilisant un classificateur UNet et en ré-entraînant le modèle
    unet = UnetClassifier(data, backbone='resnet34', ignore_classes=[0])
    unet.lr_find()
    unet.fit(10, lr)                   #10 iterations of model fitting
    unet.show_results()
    unet.per_class_metrics()
    

Exécuter des modèles de Deep Learning dans ArcGIS Notebooks

Pour utiliser un modèle de Deep Learning dans ArcGIS Notebooks, procédez comme suit :

Remarque :

1. Sélectionnez un modèle de Deep Learning dans le groupe 04_gis_analysts_data_scientists dans l’archive de données téléchargeable.
2. Téléchargez le fichier .ipynb du modèle que vous allez utiliser.
3. Cliquez sur la page Content (Contenu) du portail.
4. Cliquez sur New item (Nouvel élément) et chargez le fichier .ipynb du modèle que vous avez téléchargé.
5. Ouvrez le notebook créé par le fichier de modèle .ipynb.
6. Ajoutez les données à analyser.
7. Exécutez les sections suivantes du notebook :

   1. Préparer les données d’entrée
   2. Visualiser les données d’entraînement
   3. Charger l’architecture du modèle
   4. Entraîner le modèle

      Remarque :

      Cette section peut être ignorée si vous voulez utiliser uniquement le modèle pré-entraîné.

   5. Enregistrer le modèle
   6. Inference (Inférence)