Python arcgis.learn.train_model用法及代码示例

用法:
arcgis.learn.train_model(input_folder, model_type, model_arguments=None, batch_size=2, max_epochs=None, learning_rate=None, backbone_model=None, validation_percent=None, pretrained_model=None, stop_training=True, freeze_model=True, overwrite_model=False, output_name=None, context=None, *, gis=None, future=False, **kwargs)

参数：

input_folder:
必需的字符串。这是训练样本数据的输入位置。它可以是文件共享栅格数据存储上的输出位置路径，也可以是共享文件系统路径。训练样本数据文件夹需要是export_training_data函数的输出，包含“images” and “labels”文件夹，以及函数一起写出的JSON模型定义文件。
文件共享栅格存储和数据存储路径示例：
- /rasterStores/yourRasterStoreFolderName/trainingSampleData
- /fileShares/yourFileShareFolderName/trainingSampleData
共享路径示例：
- 服务器名称deepLearningrainingSampleData
model_type:
必需的字符串。用于训练深度学习模型的模型类型。可能的值：SSD、UNET、FEATURE_CLASSIFIER、PSPNET、RETINANET、MASKRCNN
- SSD - 单次检测器 (SSD) 用于对象检测。
- UNET - U-Net 用于像素分类。
- FEATURE_CLASSIFIER - 要素分类器用于对象分类。
- PSPNET - 金字塔场景解析网络 (PSPNET) 用于像素分类。
- RETINANET - RetinaNet 用于对象检测。
- MASKRCNN - MarkRCNN 用于对象检测
model_arguments: 可选字典。 Name-value 可以由客户端自定义的参数对及其值。

例子：
{“name1”:”value1”，“name2”：“value2”}
batch_size: 可选 int 一次要处理的训练样本数进行训练。如果服务器有强大的 GPU，这个数字可以增加到 16、36、64 等等。

例子：
4
max_epochs: 可选 int 模型应训练的最大 epoch 数。一个 epoch 意味着整个训练数据集将通过深度神经网络向前和向后传递一次。

例子：
20
learning_rate: 可选浮点数。训练期间权重更新的速率。它是一个介于 0.0 和 1.0 之间的小的正值。如果学习率设置为0，它将在训练过程中从学习曲线中提取最优学习率。

例子：
0.0
backbone_model: 可选字符串。指定要用作训练新模型的架构的预配置神经网络。可能的值： DENSENET121 ， DENSENET161 ， DENSENET169 ， DENSENET201 ， MOBILENET_V2 ， MASKRCNN50_FPN ，

RESNET18，RESNET34，RESNET50，RESNET101，RESNET152，VGG11，VGG11_BN，VGG13，VGG13_BN，VGG16，VGG16_BN，VGG19，VGG19_BN

例子：
RESNET34
validation_percent: 可选浮点数。将用于验证模型的训练样本数据的百分比(以 % 为单位)。

例子：
10
pretrained_model: 可选的 dlpk 门户项目。用于微调新模型的预训练模型。它是一个深度学习模型包 (dlpk) 门户项目。
stop_training:
可选的布尔值。指定是否将实施提前停止。
- True - 当模型不再改进时，模型训练将停止，无论指定的最大时期如何。这是默认设置。
- False - 模型训练将继续，直到达到最大时期。
freeze_model:
可选的布尔值。指定是否冻结预训练模型中的主干层，以使主干层中的权重和偏差保持不变。
- True - 预定义的权重和偏差不会在主干模型中改变。这是默认设置。
- False - 可以更改主干模型的权重和偏差以更好地适应您的训练样本。这可能需要更多时间来处理，但通常可以获得更好的结果。
overwrite_model:
可选的布尔值。覆盖具有相同名称的现有深度学习模型包 (.dlpk) 门户项目。如果 output_name 参数使用文件共享数据存储路径，则不应用此 overwriteModel 参数。
- True - 门户 .dlpk 项目将被覆盖。
- False - 门户 .dlpk 项目不会被覆盖。这是默认设置。
output_name: 可选的。经过训练的深度学习模型包既可以作为项目添加到门户，也可以写入数据存储。要添加为项目，请指定要创建的输出深度学习模型包(项目)的名称。

例子 -
“trainedModel”

为了将 dlpk 写入文件共享数据存储，请指定数据存储路径。

例子 -
“/fileShares/filesharename/文件夹”
context:
可选字典。上下文包含影响任务执行的其他设置。字典可以包含以下键的值：
- cellSize - 设置输出栅格像元大小或分辨率
- extent - 设置函数使用的处理范围
- parallelProcessingFactor - 设置并行处理因子。默认为“80%”
- processorType - 设置处理器类型。 “CPU” 或 “GPU”
例子 -
{“processorType”：“CPU”}

设置上下文参数将覆盖使用arcgis.env 变量为此特定函数设置的值。
gis: 可选的地理信息系统。运行此工具的 GIS。如果未指定，则使用活动 GIS。

返回：: 返回具有标题、类型、文件名、文件、id 和 folderId 属性的 dlpk 门户项目。

函数可用于使用 export_training_data 函数的输出来训练深度学习模型。它会生成深度学习模型包 (*.dlpk) 并将其添加到您的企业门户。 train_model 函数使用 Raster Analytics 服务器执行训练。 .. 笔记：

This function is supported with ArcGIS Enterprise (Image Server)

相关用法

注：本文由纯净天空筛选整理自arcgis.com大神的英文原创作品 arcgis.learn.train_model。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：