ラスター解析でのディープラーニング—ArcGIS Enterprise on Kubernetes

ArcGIS Image Server では、統計的分類法または機械学習分類法によって、リモートセンシング画像を分類することができます。ディープラーニングとは機械学習の一種であり、複数レイヤーの非線形処理によって、モデルで説明されるフィーチャの識別やパターン認識を行います。ディープラーニングモデルを ArcGIS Image Server に統合し、オブジェクト検出と画像分類を行えます。 ArcGIS Pro で、分類トレーニングサンプルマネージャーツールを使用して対象のフィーチャまたはオブジェクトのトレーニングサンプルが生成されます。この後、生成されたトレーニングサンプルは [ディープラーニング用にオブジェクトにラベル付け (Label Objects for Deep Learning)] ツールを使用してラベル付けされ、ディープラーニングフレームワークで使用される形式に変換されます。これらのトレーニングサンプルは、[ディープラーニングモデルのトレーニング] ラスター解析ツールまたは ArcGIS API for Python を使用したモデルのトレーニングに使用されます。トレーニングされたモデルは、モデル定義ファイル (およびオプションの Python ラスター関数スクリプトファイル) と一緒にパッケージ化され、ディープラーニングパッケージ (.dlpk) アイテムとして共有されます。このアイテムは、ラスター解析推論ツールの実行に使用されます。推論ツールは、特定のフィーチャの抽出か、画像のピクセルの分類に使用されます。 .dlpk アイテムはラスター解析ツールへの入力として複数回使用できるため、モデルをトレーニングした後に、複数の場所や期間にまたがる複数の画像を評価することができます。


	ArcGIS Pro で [ディープラーニング用にオブジェクトにラベル付け] ツールを使用してトレーニングサンプルを作成し、ArcGIS REST API または ArcGIS API for Python の [ディープラーニング用のトレーニングデータをエクスポート] ラスター解析ツールを使用してデータサイエンティスト向けのデータを準備します。
	[ディープラーニングモデルのトレーニング] ラスター解析ツールを使用して、ディープラーニングをトレーニングします。 ArcGIS REST API を使用して、ディープラーニングフレームワークでモデルのトレーニングを行うこともできます。モデル定義ファイルとトレーニング済みディープラーニングモデルまたは Python スクリプトで構成される出力ディープラーニングパッケージ (*.dlpk) は、.dlpk アイテムとしてポータルで共有されます。
	データサイエンティストがディープラーニングパッケージを提供します。これは、モデル定義ファイルとトレーニング済みモデルまたは Python スクリプトで構成され、ArcGIS Image Server のラスター解析環境に戻されます。ポータル上の .dlpk アイテムで、[ディープラーニングを使用したオブジェクトの検出] ツール、[ディープラーニングを使用したピクセルの分類] ツール、または [ディープラーニングを使用したオブジェクトの分類] ツールを実行して、出力を生成します。

特長と機能

ディープラーニングラスター解析ツールでは、標準的なコンピューターラーニング分類法以上のものを使用できます。

畳み込みニューラルネットワークを使用して画像分類とオブジェクト検出を行います。
ディープラーニングモデルを使用して、画像のピクセル分類や、航空機、樹木、車両、水域、建物、油田などのオブジェクトの検出または分類を行います。
PyTorch、Keras、TensorFlow など、外部のディープラーニングモデルフレームワークと統合します。
モデルの推論時に複数のラスターを処理し、経時的な変化を検出したり、さまざまな対象領域でオブジェクトを検出したりします。
ポリゴンフィーチャクラスを生成して検出されたオブジェクトを表示し、追加の解析やワークフローで使用します。
ディープラーニング推論ツールは、分散処理に CPU を使用することも、各サーバーノードで強力な GPU を使用することもできます (利用可能な場合のみ)。
サーバーノードごとに複数の GPU を使用して、TensorFlow Object Detection API および DeepLab、Keras MaskRCNN、PyTorch fastai Single Shot Detector など、ArcGIS で事前に定義されたモデル構成でディープラーニング推論ジョブを実行できます。
入力ラスターに適切なマップ空間から画像空間への変換処理が含まれている場合、トレーニング画像チップを [ディープラーニング用のトレーニングデータをエクスポート] ツールで画像空間にエクスポートできます。

ディープラーニングを開始する

トレーニングサンプルの作成とエクスポートは、画像分類ワークフローに関する専門的な知識が必要となるため、経験豊富なイメージアナリストが ArcGIS 内で行います。ディープラーニングモデルは、[ディープラーニングモデルのトレーニング] ラスター解析ツールまたは ArcGIS API for Python arcgis.learn を使用して、ArcGIS でトレーニングできます。代わりに、サードパーティのディープラーニング API を使用して、ディープラーニングモデルを ArcGIS の外部でトレーニングすることもできます。モデルのトレーニングが完了すると、.dlpk アイテムが ArcGIS Enterprise ポータルに追加され、モデル推論タスクの準備が整います。ラスター解析ツールを実行して、Map Viewer Classic、ArcGIS API for Python、ArcGIS REST API、または ArcGIS Pro でオブジェクトの検出と分類、またはピクセルの分類を行います。ディープラーニングモデルと ArcGIS 画像分類の経験がある 1 人のアナリストがいれば、すべてのディープラーニングワークフローを実行できます。

個別のディープラーニングセットアップアプリケーションも用意されています。このアプリケーションを使用すると、適切なディープラーニングフレームワーク API (TensorFlow、Keras、PyTorch、およびその他の必要なすべての Python ライブラリ) が ArcGIS Image Server のデフォルトの arcgispro-py3 環境にインストールされます。この作業は、ArcGIS Image Server でディープラーニングタスクを実行する際の前提条件になります。

構成および配置については、ヘルプドキュメント「ArcGIS Enterprise をラスター解析用に構成して配置」をご参照ください。サーバーノードごとに複数の GPU を使用するように Raster Analytics サーバーを構成するには、「追加手順」をご参照ください。

トレーニングサンプルを作成し、エクスポートします。
1. ArcGIS Pro の [ディープラーニング用にオブジェクトにラベル付け] ツールを使用して、分類スキーマを選択または作成します。
2. クラスカテゴリか対象フィーチャのトレーニングサイトサンプルを作成します。トレーニングサンプルファイルを保存します。
3. [ディープラーニング用のトレーニングデータをエクスポート (Export Training Data for Deep Learning)] ラスター解析ツールを実行し、ソース画像とトレーニングサンプルをディープラーニングトレーニングデータに変換します。ソース画像はイメージサービスの場合もあります。ツールの出力は、出力画像チップ、ラベル、およびメタデータファイルが格納されたデータストア文字列です。また、.emd のテンプレートファイルも追加で出力されます。このファイルはデータサイエンティストが設定します。
ディープラーニングモデルをトレーニングします。
1. 上記の手順 1 で生成された画像チップを使用して、[ディープラーニングモデルのトレーニング] ラスター解析ツールでモデルをトレーニングできます。また、ユーザーは ArcGIS API for Python arcgis.learn やサードパーティのディープラーニングフレームワーク API を使用して、ディープラーニングモデルをトレーニングすることもできます。
2. [ディープラーニングモデルのトレーニング] ラスター解析ツールを使用してディープラーニングモデルをトレーニングすると、出力はポータルで公開されたディープラーニングモデルパッケージアイテムになります。ディープラーニングモデルパッケージ (.dlpk) は、次の手順で直接使用できます。
3. サードパーティのディープラーニングフレームワーク API を使用してモデルをトレーニングする場合、ユーザーはディープラーニングフレームワークの名前、モデル構成、その他のオプションプロパティ、およびオプションでモデル推論用のカスタム Python ラスター関数を使用して .emd ファイルを更新する必要があります。 .emd ファイル内の必須パラメーターと任意のパラメーターの詳細については、下記の「Esri モデル定義ファイル」セクションをご参照ください。
Map Viewer Classic、ArcGIS API for Python、ArcGIS REST API、または ArcGIS Pro から、推論ラスター解析ツールを実行します。
1. [ディープラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)]、[ディープラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)]、または [ディープラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)] ラスター解析ツールを使用し、画像を処理します。トレーニングされたモデルに、追加の変数 (パディング、感度を微調整するための信頼閾値など) を含むカスタム Python ラスター関数が組み込まれている場合、これらの変数は ArcGIS Pro または Map Viewer Classic ラスター解析ツールのダイアログボックスに表示され、ユーザーによる入力を行えるようになっています。文字列や数値などのデータ型は、Python ラスター関数で指定されます。
  注意:
  推論ツールを実行するには、ディープラーニングモデルフレームワークを Raster Analytics サービスコンピューター上にインストールする必要があります。これは、推論のロジックがフレームワークの Python API に組み込まれており、計算に必要となるためです。

Esri モデル定義ファイル

.emd ファイルは、トレーニングされたディープラーニングモデルを説明する JSON ファイルです。これには、推論ツールの実行に必要なモデル定義パラメーターが含まれており、モデルをトレーニングしたデータサイエンティストが手を加えます。次のテーブルに示すように、必須のパラメーターと任意のパラメーターがあります。


モデル定義ファイルのパラメーター	説明
フレームワーク	モデルのトレーニングに使用されるディープラーニングフレームワークの名前。次のディープラーニングフレームワークがサポートされます。 TensorFlow Keras PyTorch PythonInferenceFunctionPython
ModelConfiguration	モデル構成の名前。モデル構成は、モデルの入力と出力、推論ロジック、モデルの入力と出力に関する仮説を定義します。標準的な入力および出力構成、および推論ロジックを定義する、既存のオープンソースのディープラーニングワークフローもあります。 ArcGIS はあらかじめ定義された、次のような構成をサポートしています。 TensorFlow ObjectDetectionAPI DeepLab Keras MaskRCNN KerasClassifier 事前定義された構成のいずれかを使用する場合、.emd ファイルに構成の名前を入力します。カスタム構成を使用してディープラーニングモデルをトレーニングした場合、.emd ファイルまたはカスタム Python ファイルで入力と出力を完全に説明する必要があります。
ModelFile	トレーニングしたディープラーニングモデルファイルへのパス。モデルフレームワークファイル形式の多くはプロトコルバッファーに基づいているため、トレーニングされたディープラーニングモデルは .pb ファイルです。ただし、他のファイル形式もサポートされています。
ModelType	モデルのタイプ。タイプは次のいずれかです。 ImageClassification - ピクセルの分類 ObjectDetection - オブジェクトまたはフィーチャの検出 ObjectClassification - オブジェクトまたはフィーチャの分類
InferenceFunction (オプション)	推論関数のパス。推論関数はトレーニングされたモデルデータファイルを理解し、推論ロジックを提供します。 ArcGIS のディープラーニングラスター解析ツールでは、次の 6 つの推論関数がサポートされています。 TensorFlow 用オブジェクトの検出 Tensor Flow 用ピクセルの分類 Keras 用オブジェクトの検出 PyTorch 用オブジェクトの検出 PyTorch 用オブジェクトの分類上記の推論関数のいずれかを使用した場合、.emd ファイルで指定する必要はありません。サポートされていないディープラーニングモデル構成でモデルをトレーニングした場合、または特別な推論ロジックが必要である場合は、カスタム推論関数 (Python モジュール) とトレーニング済みモデルが必要になります。その場合は、[InferenceFunction] を Python モジュールパスに設定します。
ImageHeight (オプション)	分類または処理される画像の行数。
ImageWidth (オプション)	分類または処理される画像の列数。
ExtractBands (オプション)	入力画像から抽出するバンドインデックスまたはバンド名。
クラス (オプション)	出力クラスカテゴリまたはオブジェクトに関する情報。

次に、標準的なモデル構成を使用するモデル定義ファイル (.emd) の例を示します。

{
    "Framework": "TensorFlow",
    "ModelConfiguration": "ObjectDetectionAPI",
    "ModelFile":"tree_detection.pb",
    "ModelType":"ObjectionDetection",
    "ImageHeight":850,
    "ImageWidth":850,
    "ExtractBands":[0,1,2],
    "Classes" : [
      {
        "Value": 0,
        "Name": "Tree",
        "Color": [0, 255, 0]
      }
    ]
}

ディープラーニングパッケージ (.dlpk) アイテム

ディープラーニングラスター解析ツールの入力には、ディープラーニングモデルパッケージ (.dlpk) が必要です。ディープラーニングモデルパッケージは、Esri モデル定義 JSON ファイル (.emd)、ディープラーニングバイナリモデルファイル、および使用されるオプションの Python ラスター関数で構成されます。

ArcGIS Pro から直接ディープラーニングパッケージを共有できます。すべてのコンポーネントの準備が整ったら、ファイルを 1 つの .zip ファイルに圧縮し、.zip ファイルを .dlpk アイテムとしてポータルにアップロードすることもできます。詳細については、「アイテムとしてのファイルの追加」をご参照ください。アイテムを追加する際に .dlpk アイテムタイプが自動的に検出されるように、.zip ファイルの拡張子を .dlpk に変更することもできます。

注意:

ルートフォルダーレベルでディープラーニングモデルパッケージに含まれているすべてのファイルを圧縮する必要があります。

このトピックへのフィードバック

特長と機能

ディープ ラーニングを開始する

注意:

Esri モデル定義ファイル

ディープ ラーニング パッケージ (.dlpk) アイテム

注意:

このトピックの内容

ディープラーニングを開始する

ディープラーニングパッケージ (.dlpk) アイテム