一文搞懂如何使用ArcGIS API for Python训练深度学习模型

ArcGIS API for Python

可能很多小伙伴都不知道这个是什么，其实直译就可以了：面向python的ArcGIS相关功能接口。在Pro的Python管理器中查看是这样的：

从说明里面能到到，它主要是服务于Online以及Enterprise，其实就是server、portal那一套。空口说无凭证，我们直接从接口文档里面看功能。

上图中跟我们有关的是arcgis.learn（深度学习）模块，其余的部分在本文中不会提到。如果想学习的话，可以参考官网的教程以及示例笔记本（notebook），里面很详细的。

其中最重要的是需要看Sample Notebooks，里面讲的很全很详细（墙裂推荐）。这个部分，可以根据自己需求选择性的去看某一部分。

那咱们主要是深度学习，就看上图中的第三部分就好了（友情提示，第三部分很多示例笔记本）。随便点一个深度学习相关的，比如说之前公众号中写过的《利用深度学习检测路面损坏情况》：

还有很多机器学习相关、空间分析相关的，大家可以自己深入看一下，但是要深入看的的话需要Python基础以及ArcGIS相关基础。

在哪个环节使用ArcGIS API for Python

在深度学习工作流中，老三步：样本制作 -> 模型训练 -> 推理。其中使用ArcGIS API for Python的是模型训练环节，其实推理阶段倒不是不能使用API去做，只是你需要一个Image Server，当然如果有多个的话，还是很推荐你使用集群去做推理的。

让我们来看一下arcgis.learn模块的东西：

可能会有人问，样本转换工具是干啥的？如果你之前没有接触过编程，（敲黑板）那得特意留意一下我下面讲的内容：

首先，我们使用ArcGIS Pro导出样本之后，是这个样子的：

然后，这个文件夹里面存储着很多图片，是没办法直接使用的，因为他们是存储在计算机磁盘空间中的。因此，要使用这些图片、标签等等，就需要做转化，将样本文件从磁盘空间中加载到计算机内存中。这个时候就需要用到样本转换工具，在Pro中工具（下图中的训练深度学习模型工具）内部其实也封装了这个过程。

通过使用API会让你看到更多工具内部看不到的过程，可能第一次会有所疑惑，用多了就懂了。

关于模型那块是干嘛的就不用我说啦吧，但是其实你发现，ArcGIS API for Python的模型比ArcGIS Pro中的要多很多。所以强烈推荐你们使用API做训练，因为有更多模型，而且不管是ArcGIS Pro训练深度学习模型工具中有没有的模型，都可以使用Pro去做推理。唯一一个需要注意的是API与Pro的版本对应关系，所以建议你们使用最新版本Pro。

另外，API是完全开源的，有兴趣的话可以去github上查看更多源码。

如何写代码

好了，看完上面之后下面可以愉快的coding了。真的很简单，你们信我。而且简单的同时你可以训练出世界顶级模型（这句话可不是我说的，是fastai作者说的）。因为arcgis.learn模块内部其实封装的是fastai框架，这个框架的作者在kaggle上很出名的，感兴趣的可以查一下。

不说那么多其他的，那就，来吧，展示：

首先打开notebook，没有用过的可以参考我之前的文章：《为什么选择在Jupyter Notebook中编写代码》，然后导包：

from arcgis.learn import prepare_data,UnetClassifier

其中prepare_data是样本转换工具，UnetClassifer是模型，在本场景中使用的是像素分类，小麦提取。你可以按照自己需求去导入模型，代码上差异并不是很大。

另外不同场景的模型在之前的文章中有总结过：《ArcGIS API for Python:深度学习模块概览》，不熟悉的可以点击查看。

然后使用`prepare_data`将样本加载到内存中：

# path是样本文件夹路径

path = r'E:\deeplearning\data\dongxiaomai\xiaomai_samplearea_tra30'

data = prepare_data(path,batch_size=16,val_split_pct=0.2)

data

prepare_data方法有几个参数需要注意一下：



path：样本文件夹，必填。



chip_size：样本切片大小。



val_split_pct：验证集划分比重。



bach_size：批大小。



除了一个path是必填的之外，其余的都可以根据实际情况选填。除了上面几个参数之外，接口文档中还有更详细的说明：

一定要学会从接口文档中查看参数信息

在加载完数据值后，还可以查看一下我们的样本数据大概都是啥样的：

data.show_batch()

上图中红色半透明部分是我标注的样本，在data.show_batch方法里，会将样本叠在原始影像上，从而很方便的查看一个batch中的数据是啥样的。你可以多运行几次这行代码看看。

数据加载完成后，便可以实例化我们的模型：

model = UnetClassifier(data)

这一步就很简单了，直接模型括号里面填上上一部中加载的样本对象。然后使用model.lr_find()函数查找学习率：

lr = model.lr_find()

lr

这一步是固定写法，就是查找最合适的学习率。学习率查找完成后，便可以训练模型了：

model.fit(200,lr)

训练模型中有几个参数注意一下：

• epochs：必填，训练轮数。
• lr：必填，学习率。
• early_stopping：选填，在模型停止改进时停止训练。

在接口文档中，此部分要找到对应的模型下面，查接口参数：

训练完成之后，可以查看一下损失曲线：

model.plot_losses()

固定写法，不需要改动。

还可以使用model.show_results方法查看当前模型在验证集上的表现情况：

model.show_results()

左边为真实标签，右边为当前模型推理所得。这种方法可以很直观的看到模型的表现如何。另外除了此种方法之外，还有其他精度指标可查看：

model.mIOU()

因为是图像分割，所以比较在意mIOU，其他的模型视情况选择精度指标查看。接口文档中都可以查到，比如说本文中用到的mIOU指标，在接口文档中查看：

如果说，你对模型满意的话，便可以使用model.save方法保存模型了：

model.save(r'E:\deeplearning\model\dongxiaomai\unet_batchsize16_chipsize224_acc86')

固定写法，替换掉文件夹路径即可。到文件夹中查看如下：

然后便可以使用ArcGIS Pro进行推理了。推理阶段在此处就不讲了。

总结

肯定有人看完上面，觉得还不是很清晰，不会咋办。那你来打我，其实改动的地方很少的，我们来看一下去掉每一行运行结果后的完整代码：

其中小部分都是固定写法，大部分都是固定格式，小部分需要根据模型不同更改写法。

这么短几行代码，你去写一个月，还不会，那你来打我。会不会python影响的已经不大了，折腾吧。不得不吹一下，把深度学习封装成如此简洁易用，确实很厉害。

文章转自微信公众号@数读城事