Die Version ArcGIS Pro 3.7 führt mehrere neue Werkzeuge und Verbesserungen für die GeoAI-Funktionalitäten innerhalb der Image Analyst-Erweiterung ein. Dieses Update konzentriert sich darauf, die Effizienz bei der Beschriftung (Labeling) zu erhöhen, fortschrittliche Foundation-Model-Architekturen zu unterstützen und die Performance bei groß angelegten Inferenzprozessen zu optimieren.
In diesem Blogartikel werden die neuen und erweiterten Funktionen entlang der GeoAI-Workflows vorgestellt:
- Neue Zeichenwerkzeuge für das Labeling
- Werkzeug zur automatischen Erkennung auf Basis von Feature-Classes für das Labeling
- KI-gestütztes Labeling für mehrere Klassen (Multiclass)
- Native Videobeschriftung
- Erweiterte Überprüfung von Trainingsdaten
- Unterstützung für Foundation-Model-Backbones
- Werkzeug „Pixel mit Deep Learning transformieren“
- Optimierte Inferenz-Performance
Neue Zeichenwerkzeuge für die Beschriftung
Zusätzlich zu Bounding-Boxen und Polygonen können Sie nun Punkt- und Linien-Zeichenwerkzeuge im Bereich „Label Objects for Deep Learning“ verwenden. Während das Definieren eines Rechtecks mehrere Klicks erfordert, erfasst das Punktwerkzeug Objekte mit einem einzigen Klick. Ebenso vereinfacht das Linienwerkzeug die Erfassung linearer Objekte wie Straßenmittellinien. Durch die Verwendung der Buffer-Einstellung beim Export können Sie automatisch Trainingsmasken aus diesen vereinfachten Geometrien generieren. Dieser Workflow erhöht die Effizienz erheblich für Objekte, die durch einen Puffer mit fester Breite definiert sind.
Automatische Erkennung mithilfe des Feature-Class-Werkzeugs für die Beschriftung
Das Werkzeug „Auto-detect using Feature Class“ im Bereich „Label Objects for Deep Learning“ erzeugt Segmentierungsmasken aus vorhandenen Punktdaten. Es verwendet Deep Learning, um Objektgrenzen zu identifizieren, die mit Eingabepunkten verbunden sind, wie beispielsweise Gebäudezentren oder Baumstandorte, und erstellt automatisch Trainingspolygone. Dies vereinfacht die Umwandlung vorhandener Punktdatensätze in die für Instanzsegmentierungsmodelle erforderlichen Labels.
Multiklassen-KI-gestützte Beschriftung
Das Werkzeug „Text Prompt“ im Bereich „Label Objects for Deep Learning“ unterstützt jetzt die Multiklassenerkennung innerhalb eines einzigen Durchlaufs. Wenn Sie mehrere Objektnamen (zum Beispiel Bäume, Häuser) in das Text-Prompt-Feld eingeben, erstellt das Werkzeug gleichzeitig die Klassen und generiert die Labels für jeden Objekttyp. Dadurch entfällt die Notwendigkeit mehrerer Beschriftungsdurchläufe beim Aufbau komplexer Trainingsdatensätze.
Native Videobeschriftung
Das Werkzeug „Label Objects for Deep Learning“ unterstützt jetzt nativ Videodateien, wodurch das Sammeln von Trainingsdaten direkt aus Videodateien möglich wird. Die Software übernimmt die Frame-Extraktion intern, sodass Sie Objekte in einzelnen Frames, wie beispielsweise Fahrzeuge oder Infrastruktur, beschriften können. Diese Integration vereinfacht den Workflow vom rohen Video bis zum Modelltraining.
Erweiterte Überprüfung von Trainingsdaten
Das Werkzeug „Review labels and training data“ wurde erweitert, um alle Arten von Deep-Learning-Aufgaben zu unterstützen. Während es zuvor auf die Objekterkennung beschränkt war, sind nun Qualitätssicherung und Qualitätskontrolle auch für Instanzsegmentierung, Objektklassifizierung, Bildklassifizierung, Pixelklassifizierung und Bild-zu-Bild-Transformation möglich. Dies gewährleistet einen konsistenten Validierungsprozess über alle GeoAI-Workflows in ArcGIS Pro hinweg.
Unterstützung für Foundation-Model-Backbones
Neue Foundation-Model-Backbones „Dynamic One-For-All (DOFA)“ und „TerraMind“ werden für Fernerkundungsanwendungen unterstützt. Zur Unterstützung dieser Architekturen und zur Verbesserung von Multispektralbild-Workflows wurde ein neues Modellargument „wavelengths“ hinzugefügt. Während Wellenlängeninformationen normalerweise aus den EMD-Metadaten des Modells abgeleitet werden, können Nutzende sie nun manuell angeben, um sicherzustellen, dass das Modell die spektralen Dimensionen der Eingabebilder korrekt interpretiert.
Werkzeug Pixel mithilfe von Deep Learning transformieren
Das neue Geoverarbeitungswerkzeug „Translate Pixels using Deep Learning“ bietet einen dedizierten Workflow für die Bild-zu-Bild-Transformation. Sie können Aufgaben wie Super-Resolution, die Kolorierung von Graustufenbildern oder die Transformation von RGB-Bildern in topografische Karten durchführen. Das Werkzeug bietet im Vergleich zu den Standard-Klassifikationswerkzeugen eine intuitivere Benutzeroberfläche zur Erstellung verbesserter oder stilisierter Bildprodukte.
Optimierte Inferenz-Performance
Die optimierten Kern-Inferenzwerkzeuge können große Datenmengen, die in Ordnern gespeichert sind, besser verarbeiten, wie beispielsweise Bilddaten von Drohnen oder mobilen Sensoren. Insbesondere liefert das Werkzeug „Detect Objects Using Deep Learning“ nun deutliche Leistungssteigerungen, wenn Bildsammlungen in einem ordnerbasierten Workflow verarbeitet werden. Interne Benchmarks zeigen, dass es in bestimmten Szenarien mit hohem Datenvolumen jetzt bis zu viermal schneller ist.
Zusammenfassung
Diese Updates konzentrieren sich darauf, den manuellen Aufwand zu reduzieren und die Geschwindigkeit von GeoAI-Workflows zu erhöhen. Durch die Optimierung des Labelings und der Backend-Performance unterstützt ArcGIS Pro 3.7 Sie dabei, schneller von Rohbilddaten zu verwertbaren Ergebnissen zu gelangen.
Hinweis: Dieser Text basiert auf einer Übersetzung des englischen Originalartikels. Den Originaltext finden Sie hier:
