Descargar y explorar datos
Antes de que pueda ejecutar el modelo de aprendizaje profundo, debe comprobar su sistema informático, instalar los controladores más recientes para su tarjeta gráfica e instalar las bibliotecas de aprendizaje profundo que utilizará para el entrenamiento y la inferencia. A continuación, descargará tres archivos de .zip que contienen datos que utilizará durante la lección para el entrenamiento y la clasificación de datos de nube de puntos. Después de descargar y extraer los datos, explorará y simbolizará los archivos de dataset LAS en ArcGIS Pro.
Descargar los datos
Todos los datos necesarios para completar la lección se encuentran en tres archivos de .zip que descargará.
- Antes de descargar los datos, asegúrese de tener instaladas las bibliotecas de aprendizaje profundo y compruebe que su equipo esté listo.
Nota:
Para utilizar las herramientas de aprendizaje profundo en ArcGIS Pro es necesario tener instaladas en el equipo las bibliotecas de aprendizaje profundo correctas. Si no tiene instalados estos archivos, asegúrese de que ArcGIS Pro está cerrado y siga los pasos descritos en las instrucciones Prepararse para el aprendizaje profundo en ArcGIS Pro. En estas instrucciones, también aprenderá cómo comprobar si el hardware y el software de su ordenador son capaces de ejecutar flujos de trabajo de aprendizaje profundo y otros consejos útiles. Una vez hecho, puede continuar con este tutorial.
- En su equipo, abra el Explorador de archivos.
- En la unidad C:\, cree una carpeta llamada LearnArcGIS. En la carpeta LearnArcGIS, cree otra carpeta denominada DL.
En la carpeta C:\LearnArcGIS\DL almacenará todos los datos y salidas de la lección.
- Descargue los siguientes archivos de .zip:
- smalldata.zip: contiene un dataset de entrenamiento pequeño y el límite de entrenamiento, un pequeño dataset de validación y el límite de validación, y un ráster DEM.
- testdata.zip: contiene un dataset de prueba, el límite de procesamiento y un ráster DEM.
- results.zip: contiene los resultados de entrenamiento del dataset grande que puede utilizar en lugar de entrenar el modelo para el dataset grande.
- Cuando haya descargado los archivos, extraiga cada archivo de .zip a la carpeta LearnArcGIS/DL.
Nota:
Para extraer un archivo de .zip, haga clic con el botón derecho en el archivo, elija Extraer todo y vaya a su carpeta LearnArcGIS\DL.
Las carpetas contienen diversa información que utilizará para preparar y entrenar datos. Algunos de los archivos principales de la carpeta son archivos LAS. Un archivo LAS es un formato binario estándar de la industria para almacenar datos LIDAR aéreos. El dataset LAS le permite examinar archivos LAS en su formato original de una forma rápida y sencilla proporcionando estadísticas detalladas y cobertura del área de los datos LIDAR incluidos en los archivos LAS. La carpeta de resultados contiene un modelo entrenado con el dataset grande que se realizó en un equipo con una GPU de 24 GB. En la sección final de esta lección, usará este modelo entrenado más adelante para clasificar un dataset LAS.
A continuación, revisará y se familiarizará con los datos descargados en ArcGIS Pro.
Ver los datos de entrenamiento y validación
Creará un proyecto de ArcGIS Pro y visualizará los pequeños datos de entrenamiento y los datos de validación.
- Si es necesario, inicie ArcGIS Pro.
- Inicie sesión en su cuenta de organización de ArcGIS o en ArcGIS Enterprise.
Nota:
Si no tiene acceso a ArcGIS Pro o una cuenta de organización de ArcGIS, consulte las opciones de acceso a software.
- En Nuevo proyecto, haga clic en Escena local.
- En el cuadro de diálogo Crear un nuevo proyecto, en Nombre, escriba Clasificación de línea eléctrica con DL. En Ubicación, haga clic en Examinar, vaya a C:\LearnArcGIS, haga clic en la carpeta DL y haga clic en Aceptar. Desactive Crear una nueva carpeta para este proyecto.
- Haga clic en Aceptar.
- En el panel Catálogo, expanda Carpetas y, luego, DL.
Nota:
Si el panel Catálogo no está visible, en la cinta, haga clic en Vista y en el grupo Ventanas, haga clic en Panel Catálogo.
Puede ver las carpetas de datos que descargó y extrajo en esta ubicación.
Primero, explorará los archivos de la carpeta smalldata y actualizará las estadísticas del dataset para asegurarse de que se muestran los códigos de clase correctos.
- En el panel Catálogo, expanda la carpeta smalldata. Haga clic con el botón derecho en train_small.lasd y seleccione Propiedades.
- En la ventana Propiedades de dataset LAS, haga clic en la pestaña Estadísticas.
El dataset contiene varios códigos de clase:
- 1- Sin asignar representa puntos sin clasificar, principalmente la vegetación baja u objetos sobre el suelo, pero más bajos que la vegetación alta y los edificios.
- 2- Suelo representa el suelo.
- 5- Vegetación alta representa la vegetación alta, como los árboles.
- 6- Edificio representa edificios y otras estructuras.
- 7- Ruido representa puntos bajos.
- 14- Conductor de cable representa los cables eléctricos reales.
- 15- Torre de transmisión representa las torres de la línea eléctrica.
Le interesa el código de clase 14 para Conductor de cable. Su objetivo es entrenar un modelo para detectar puntos LIDAR que son las líneas eléctricas, de modo que puede evaluar mejor los riesgos de los incendios forestales en las líneas eléctricas cerca de los árboles.
En la parte inferior de la ventana, hay un mensaje que indica que un archivo está obsoleto o que no hay estadísticas. Ahora corregirá este problema para que pueda visualizar los códigos de clase correctos en la escena.
- Haga clic en Actualizar.
Aparece un mensaje que confirma que las estadísticas están actualizadas.
Ahora que las estadísticas están actualizadas, puede aplicar estilo a la capa según los códigos de clase.
- Haga clic en Aceptar.
- En el panel Catálogo, haga clic con el botón derecho en train_small.lasd y seleccione Agregar al mapa actual.
Aparece la capa de dataset LAS en la escena.
Ahora que ha actualizado las estadísticas para el archivo LAS de dataset pequeño, hará lo mismo para el dataset LAS que se utilizará para validar el modelo, val_small.lasd.
- En el panel Catálogo, abra las propiedades de val_small.lasd, actualice las estadísticas y haga clic en Aceptar. Agregue val_small.lasd al mapa actual.
- En la escena, pulse V o C mientras arrastra el puntero para inclinarla y desplazarse por la escena para explorar los datasets en 3D.
Usará train_small.lasd para entrenar el modelo y val_small.lasd para validar el modelo entrenado para evitar el exceso de ajuste durante el proceso de entrenamiento.
A continuación, actualizará la simbología de cada una de las capas de dataset LAS para mostrar colores diferentes según los códigos de clase. Empezará con la capa train_small.lasd.
- En el panel Contenido, haga clic en la capa train_small.lasd para seleccionarla. En la cinta, haga clic en la pestaña Capa de dataset LAS.
- En la pestaña Capa de dataset LAS, en la sección Dibujo, para Simbología, haga clic en el menú desplegable y elija Clase.
Aparece el panel Simbología y la capa train_small.lasd está simbolizada por sus códigos de clase.
Nota:
Si tiene espacios en blanco en su capa de dataset LAS, podría tratarse de un problema de almacenamiento en caché. Puede ir a las propiedades del dataset LAS, elegir Caché y hacer clic en Borrar caché para solucionarlo o se corregirá automáticamente cuando cierre y abra ArcGIS Pro.
- En el panel Contenido, haga clic en val_small.lasd. En la pestaña Capa de dataset LAS, haga clic en el menú desplegable para Simbología y elija Clase.
La capa val_small.lasd ahora está simbolizada por sus códigos de clase.
Nota:
Los datasets LAS pueden ser grandes y tardar más tiempo en visualizarse que otras capas. Para acelerar la visualización, puede crear pirámides con la herramienta Crear pirámide de dataset LAS. Esta herramienta crea o actualiza una caché de visualización de dataset LAS, lo que optimiza su rendimiento de representación en pantalla.
- Sobre la cinta, en la barra de herramientas Acceso rápido, haga clic en Guardar para guardar el proyecto.
A continuación, entrenará un modelo con los dos datasets que exploró.
Entrenar un modelo con un dataset pequeño
En esta sección, utilizará los datasets pequeños para recorrer el proceso de entrenamiento de un modelo de clasificación. Puesto que este dataset no contiene tantos puntos necesarios para entrenar un modelo de clasificación más preciso, es probable que produzca un modelo de clasificación menos preciso. En esta sección se muestra el proceso de entrenamiento de un modelo y, a continuación, utilizará un modelo entrenado a partir de un muestreo mayor de puntos más adelante en la lección para clasificar un dataset LAS y visualizar las líneas eléctricas.
Preparar el dataset de entrenamiento
Los datasets LAS no se pueden utilizar directamente para entrenar el modelo. Los datasets LAS se deben convertir en bloques de entrenamiento más pequeños. Usará la herramienta de geoprocesamiento Preparar datos de entrenamiento de nube de puntos en ArcGIS Pro para exportar los archivos LAS a bloques.
Su objetivo es entrenar el modelo para identificar y clasificar los puntos que son líneas eléctricas. No es necesario revisar todos los puntos de la nube de datos LAS. Solo es necesario revisar los puntos dentro del área circundante de las líneas eléctricas. Usará datos de límites preparados, bnd_train_small y bnd_val_small, para especificar qué puntos se deben convertir en bloques de entrenamiento. A continuación se muestra el gráfico con los límites de entrenamiento y validación alrededor de las líneas eléctricas.
- En la cinta, haga clic en la pestaña Análisis y haga clic en Herramientas.
Se abre el panel Geoprocesamiento.
- En el panel Geoprocesamiento, busque y abra la herramienta Preparar datos de entrenamiento de nube de puntos.
Nota:
Esta herramienta requiere ArcGIS 3D Analyst extension. - En la herramienta Preparar datos de entrenamiento de nube de puntos, defina los siguientes parámetros:
- En Nube de puntos de entrada, elija train_small.lasd.
- En Entidades de límite de entrenamiento, haga clic en Examinar, vaya a C:\LearnArcGIS\DL\smalldata\boundaries.gdb, seleccione bnd_train_small y haga clic en Aceptar.
- En Nube de puntos de validación, elija val_small.lasd.
- En Entidades de límite de validación, haga clic en Examinar, vaya a C:\LearnArcGIS\DL\smalldata\boundaries.gdb, seleccione bnd_val_small y haga clic en Aceptar.
- En Superficie de referencia, haga clic en Examinar y vaya a C:\LearnArcGIS\DL\smalldata. Haga clic en dem_small.tif y en Aceptar.
El ráster DEM se utilizará para calcular la altura relativa de los puntos desde el suelo. Ha introducido todos los datos de entrenamiento, los datos de validación y los límites de procesamiento.
A continuación, deberá especificar los códigos de clase que desea excluir.
- En Códigos de clase excluidos, especifique 2. Haga clic en el botón Agregar otro y especifique 7.
Los puntos del terreno (clase 2) y del ruido (clase 7) se excluyen de los datos de entrenamiento. Los puntos de tierra suelen representar una gran parte del total de puntos, por lo que excluirlos hará que el proceso de entrenamiento sea más rápido.
- Deje Filtrar bloques por Código de clase en blanco.
- En Datos de entrenamiento de salida, haga clic en Examinar y vaya a C:\LearnArcGIS\DL\results. En Nombre, escriba training_data_small.pctd.
Nota:
La extensión de archivo de salida .pctd hace referencia a los datos de entrenamiento de nube de puntos.
- Haga clic en Guardar.
- En la herramienta Preparar datos de entrenamiento de nube de puntos, siga introduciendo los siguientes parámetros:
- En Tamaño de bloque, escriba 82. En Desconocido, haga clic en el menú desplegable y elija Pies topográficos de EE. UU.
- En Límite de puntos de bloque, mantenga el valor predeterminado 8192.
Tamaño de bloque y Límite de puntos de bloque controlan cuántos puntos hay en un bloque. Para determinar este valor, es importante tener en cuenta el espaciado de punto promedio, los objetos de interés, las memorias dedicadas de la GPU disponibles y el tamaño de lote a la hora de configurar estos dos parámetros. Una regla general es que el tamaño de bloque debe ser lo suficientemente grande para capturar los objetos de interés con la menor cantidad de submuestreo.
Empezará por el Tamaño de bloque de 82 pies (alrededor de 25 metros) y el Límite de puntos de bloque 8192. 82 pies es un tamaño de bloque adecuado para capturar la geometría de la línea eléctrica. Examinará la salida para ver si 8.192 es un límite de puntos de bloque adecuado. Si la mayoría de bloques tienen más de 8.192 puntos, deberá aumentar el límite de puntos de bloque para reducir el submuestreo.
Nota:
Para los datos grandes, se recomienda utilizar la herramienta Estadísticas de punto LAS como ráster para generar el histograma con el fin de determinar el tamaño de bloque y el límite de puntos de bloque adecuados antes de ejecutar la herramienta Preparar datos de entrenamiento de nube de puntos. Para utilizar la herramienta, elija Recuento de puntos como método y Tamaño de celda como tipo de muestreo y pruebe con diferentes valores para Tamaño de bloque.
- Haga clic en Ejecutar.
Aparece un mensaje de confirmación en la parte inferior del panel de la herramienta cuando se completa la herramienta.
- Haga clic en Ver detalles.
Debajo de Mensajes, puede ver dos histogramas del recuento de puntos de bloque, uno para los datos de entrenamiento y otro para los datos de validación.
Ambos histogramas muestran que todos los bloques tienen un recuento de puntos inferior a 8.000, lo que confirma que un Tamaño de bloque de 82 pies y el Límite de puntos de bloque predeterminado de 8.192 son adecuados para estos datasets.
- En Windows, abra el Explorador de archivos y vaya a C:\LearnArcGIS\DL\results. La carpeta de resultados ahora contiene la carpeta training_data_small.pctd.
- Haga doble clic en training_data_small.pctd para abrir la carpeta.
El archivo de salida contiene dos subcarpetas, train y val, que contienen los datos de entrenamiento y validación exportados, respectivamente.
- Abra cada carpeta para revisar su contenido.
En cada carpeta, verá un archivo Statistics.json, un archivo ListTable.h5, un archivo BlockPointCountHistogram.png y una carpeta 0 que contiene archivos Data_x.h5.
Los archivos ListTable.h5 y Data_x.h5 incluyen la información de puntos (xyz y atributos como número de retorno, intensidad, etc.), que están organizados en bloques.
Ahora que ha preparado los datos de entrenamiento, puede usar los bloques para entrenar un modelo de clasificación con aprendizaje profundo.
Entrenar un modelo de clasificación
A continuación, usará la herramienta de geoprocesamiento Entrenar modelo de clasificación de nube de puntos para entrenar un modelo para la clasificación de líneas eléctricas con el dataset de entrenamiento pequeño. Los resultados pueden variar en función de distintas ejecuciones de la herramienta y de distintas configuraciones del equipo.
- En ArcGIS Pro, en el panel Geoprocesamiento, haga clic en la flecha hacia atrás. Busque la herramienta Entrenar modelo de clasificación de nube de puntos y ábrala.
- En la herramienta Entrenar modelo de clasificación de nube de puntos, defina los siguientes parámetros:
- En Datos de entrenamiento de entrada, haga clic en Examinar. Vaya a C:\LearnArcGIS\DL\results y haga doble clic en training_data_small.pctd.
- Deje Modelo preentrenado en blanco.
- En Arquitectura del modelo, mantenga el valor predeterminado RandLA-Net.
Nota:
Utilizará la arquitectura RandLA-Net para entrenar el modelo de clasificación. RandLA-Net utiliza el muestreo aleatorio para reducir el uso de memoria y el coste computacional, y utiliza la agregación local de entidades para preservar las entidades útiles de una amplia vecindad.
- En Selección de atributos, haga clic en la casilla de Intensidad y Altura relativa.
Nota:
La intensidad de las líneas eléctricas es menor en comparación con otras entidades, por lo que es un atributo eficaz para distinguir las líneas eléctricas. La altura relativa de las líneas eléctricas suele estar dentro de un rango determinado, por lo que también se utiliza para separar las líneas eléctricas de otros elementos.
- En Ubicación de modelo de salida, vaya a la carpeta de resultados. Haga clic en Aceptar.
- En Nombre de modelo de salida, escriba Powerline_classification_model_small_data.
- En Puntos mínimos por bloque, escriba 1000.
Al establecer Puntos mínimos por bloque en 1000 durante el entrenamiento, los bloques cuyos puntos son inferiores a 1.000 se omitirán. Es probable que los bloques con un número reducido de puntos se ubiquen en los límites donde no hay puntos de línea eléctrica. Omitir estos bloques en el entrenamiento hará que el entrenamiento sea más rápido y permitirá que el aprendizaje del modelo sea más eficiente. Este parámetro solo se aplica a los bloques de datos de entrenamiento, no a los bloques de datos de validación.
- Expanda Administrar clases.
- En Reasignación de clase, en Clase actual, elija 14. En Clase reasignada, elija 14.
La clase 14 representa a los conductores de cable que desea clasificar y localizar en la nube de puntos.
- En la siguiente fila, en Clase actual, elija OTHER y, en Clase reasignada, elija 1.
Al especificar la Reasignación de clase, el código de clasificación 14 no se modificará, lo que significa que los puntos del dataset LAS que ya se clasifiquen como líneas eléctricas seguirán siendo líneas eléctricas. El resto de códigos de clase (1, 5 y 15) se reasignarán al código de clase de 1. Los datos de entrenamiento resultantes solo tendrán dos clases, 1 y 14, lo que facilitará la distinción de las líneas eléctricas en la escena.
- En Descripción de clase, acepte los códigos y descripciones de clase rellenados.
- Expanda Parámetros de entrenamiento. En Criterios de selección de modelo, acepte el valor predeterminado de Recuperar.
Criterios de selección de modelo especifica la base estadística que se utilizará para determinar el modelo final. El valor predeterminado de Recuperar seleccionará el modelo que alcance el mejor promedio de macro de la recuperación de todos los códigos de clase. El valor de recuperación de cada código de clase se determina por la ratio entre los puntos clasificados correctamente (verdaderos positivos) y todos los puntos que se deberían haber clasificado con este valor (positivos esperados). Para cada clase, su valor de recuperación es la relación entre los puntos correctamente predichos de esta clase y todos los puntos de referencia de esta clase en los datos de validación. Por ejemplo, el valor de recuperación del código de clase 14 es la relación de puntos de líneas eléctricas predichos correctamente y todos los puntos de líneas eléctricas de referencia en los datos de validación.
- En Número máximo de épocas, escriba 10.
Una época es el ciclo completo de todos los datos de entrenamiento aprendidos por la red neuronal (en otras palabras, todos los datos de entrenamiento pasan hacia adelante y hacia atrás por la red neuronal una vez). Entrenará el modelo durante 10 épocas para ahorrar tiempo.
- En Iteración por época (%), acepte el valor predeterminado 100.
Dejar el parámetro Iteración por época (%) en 100 garantiza que se pasarán todos los datos de entrenamiento por época.
Nota:
También puede optar por pasar un porcentaje de los datos de entrenamiento en cada época. Establezca este parámetro en algo distinto de 100 si desea reducir el tiempo de finalización de cada época seleccionando aleatoriamente menos lotes. Sin embargo, esto puede dar lugar a más épocas antes de que el modelo converja. Este parámetro es útil si desea ver rápidamente las métricas del modelo en la ventana de mensajes de la herramienta.
- En Estrategia de tasa de aprendizaje, mantenga el valor predeterminado Tasa de aprendizaje de un ciclo.
- En Tasa de aprendizaje, escriba .005.
Nota:
También puede dejar Tasa de aprendizaje en blanco y dejar que la herramienta determine la tasa de aprendizaje óptima.
- En Tamaño de lote, esriba 6.
Tamaño de lote especifica cuántos bloques se procesan al mismo tiempo. Los datos de entrenamiento se dividen en lotes. Por ejemplo, si el valor del Tamaño de lote se establece en 20, 1.000 bloques se dividen en 50 lotes y cada uno de los 50 lotes se procesa en una época. Al dividir los bloques en lotes, el proceso consumirá menos memoria de la GPU.
Nota:
Se recomienda un tamaño de lote de 20 con una tarjeta gráfica de 8 GB. Si recibe un error de memoria insuficiente en CUDA, deberá utilizar un tamaño de lote más pequeño.
- Desactive Detener entrenamiento cuando el modelo ya no mejore.
Si se desactiva esta opción, el entrenamiento se realizará durante 10 épocas. Si se activa, el entrenamiento se detendrá cuando el modelo deje de mejorar después de varias épocas, independientemente del número máximo de épocas especificadas.
- Haga clic en Ejecutar.
Nota:
El tiempo necesario para ejecutar esta herramienta puede variar en función del sistema. En la GPU NVIDIA Quadro RTX 4000 con 8 GB de memoria dedicada, esta herramienta tardará unos 20 minutos en ejecutarse. A medida que se ejecuta la herramienta, puede monitorizar su progreso.
- En la parte inferior del panel Geoprocesamiento, haga clic en Ver detalles.
Aparece la ventana Entrenar modelo de clasificación de nube de puntos (Herramientas de 3D Analyst), que muestra la pestaña Parámetros, lo que permite mostrar los parámetros que se usaron para ejecutar la herramienta.
- Haga clic en la pestaña Mensajes.
Nota:
Los mensajes de geoprocesamiento se rellenan a medida que se ejecuta la herramienta. Cuando se completa la herramienta, el mensaje de geoprocesamiento muestra los resultados de cada época.
Nota:
La información de los mensajes puede diferir del ejemplo mostrado, en función de la GPU y de la configuración del sistema.
La herramienta notifica la siguiente información:
- GPU utilizada en el entrenamiento.
- Recuento de bloques de datos de entrenamiento utilizados en el entrenamiento (solo se usa en el entrenamiento un bloque de datos de entrenamiento que contiene más de 1.000 puntos).
- Recuento de bloques de datos de validación utilizados en la validación: todos los bloques de datos de validación se utilizan en la validación.
- Iteración por época: el recuento de bloques de datos de entrenamiento dividido por el tamaño de lote.
La herramienta notifica la Pérdida de entrenamiento, Pérdida de validación, Exactitud, Precisión, Recuperar, F1-Score y Tiempo dedicado para cada época.
A medida que avanza cada época, puede ver que disminuyen los valores de Pérdida de entrenamiento y Pérdida de validación, lo que indica que el modelo está aprendiendo.
Tras 10 épocas, el valor Recuperar más alto es superior a 0,98.
Este modelo no es un modelo exacto, lo que es de esperar porque el modelo se entrenó con un dataset pequeño. Estos resultados ponen de manifiesto la necesidad de contar con más puntos de muestreo en datasets separados para poder obtener mejores resultados.
Examinar las salidas del entrenamiento
A continuación, examinará los resultados del entrenamiento del modelo de clasificación.
- En el Explorador de archivos, vaya a C:\LearnArcGIS\DL\results.
Esta carpeta incluye dos subcarpetas. Una es la carpeta del modelo y otra es la carpeta de puntos de verificación.
- Expanda la carpeta Powerline_classification_model_small_data y expanda la carpeta Características del modelo.
La carpeta Powerline_classification_model_small_data incluye el modelo guardado en la época 9. La carpeta del modelo contiene varios archivos. Entre ellos, el archivo .pth es el archivo de modelo y el archivo .emd es el archivo de definición de modelo de Esri (un archivo de configuración en formato .JSON). El archivo model_metrics.htm incluye un gráfico de pérdida de entrenamiento. El archivo .dlpk es el paquete de modelo de aprendizaje profundo. Se trata de un archivo comprimido y se puede compartir en ArcGIS Online.
La carpeta Características del modelo contiene un gráfico de pérdida y un gráfico de resultados de predicciones y de realidad del terreno.
- Vuelva a la carpeta de resultados. Abra la carpeta Powerline_classification_model_small_data.checkpoints y vea su contenido.
La carpeta Powerline_classification_model_small_data.checkpoints incluye la carpeta de modelos, que contiene un modelo para cada uno de los puntos de verificación de épocas y dos archivos .csv. Cuando se ejecutó la herramienta de entrenamiento, se creó un punto de verificación después de cada época. Cada punto de verificación contiene un archivo .pth y un archivo .emd.
- En la carpeta Powerline_classification_model_small_data.checkpoints, abra el archivo Powerline_classification_model_small_data_Epoch_Statistics Microsoft Excel para ver las estadísticas.
El archivo CSV se abre en Excel.
Es la misma tabla que vio en el mensaje de la herramienta.
El archivo Powerline_classification_model_small_data_Statistics incluye los valores de precisión, recuperación y f1-score para cada clase después de cada época. En algunos casos, el modelo con las mejores métricas globales puede no ser el de mejor rendimiento en la clasificación de un código de clase específico. Si solo está interesado en clasificar ciertos códigos de clase, puede utilizar el modelo de puntos de verificación asociado con las mejores métricas para ese código de clase. Ver las estadísticas en Excel le permite ordenar las columnas y localizar fácilmente la época con el valor de recuperación más alto. Ha entrenado un modelo con un muestreo más pequeño de puntos. A continuación, utilizará un modelo entrenado con un mayor muestreo de puntos para clasificar un dataset LAS.
Clasificar un dataset LAS con el modelo entrenado
Clasificará el dataset LAS que contiene más de 3 millones de puntos utilizando un modelo entrenado. La clasificación del dataset LAS mediante un modelo entrenado le permite localizar líneas eléctricas en el área de estudio para el análisis de evaluación de riesgos. Cuando se entrenó el modelo, se designaron dos códigos de clasificación, Sin asignar y Conductor de cable. Al clasificar los puntos de la nube de puntos con el conductor de cable y el resto como sin asignar, el dataset será más valioso, ya que identificará claramente las líneas eléctricas.
Explorar los resultados del modelo y elegir la mejor época
Explorará los resultados de un entrenamiento de modelo proporcionado que utilizó el dataset grande. Buscará el mejor valor para los conductores de cables.
- Abra el Explorador de archivos y vaya a C:\LearnArcGIS\DL\results.
Las carpetas contienen resultados de entrenar los datos grandes utilizando un equipo con 24 GB de memoria de la GPU dedicada.
- Abra la carpeta Powerline_classification_model_large_data.checkpoints y haga doble clic en Powerline_classification_model_large_data_Statistics para ver las estadísticas en Excel.
El archivo se abre en Excel.
- En Excel, haga doble clic en los divisores de columna para expandirlos y ver todo el texto.
Ordenará la columna Recuperar y encontrará el valor más grande para Conductor de cable y utilizará esa época para la clasificación del dataset LAS. El valor Recuperar más grande para el Conductor de cable indica la época que debe utilizar en la clasificación.
- Haga clic en el encabezado de la columna Recuperar para resaltar toda la columna.
- En la cinta, en la sección Edición, haga clic en Ordenar y filtrar y elija Ordenar de más grande a más pequeño.
- En la ventana Ordenar que aparece, haga clic en Ordenar.
Las filas de la hoja de cálculo se ordenan para que sea fácil ver el valor más alto del Conductor de cable.
- Localice la primera fila de CLASS_CODE de 14 y con el valor de CLASS_Description Conductor de cable (fila 23).
Este es el valor de recuperación más alto de 0,993655113, para Conductor de cable, que ocurrió en la época 18.
Utilizará época, o punto de control 18, cuando clasifique el dataset LAS, ya que tiene el valor de recuperación más alto para el código de clase de línea eléctrica y proporcionará los mejores resultados.
Clasificar líneas eléctricas con el modelo entrenado
A continuación, utilizará un modelo entrenado para clasificar las líneas eléctricas a partir de un dataset de prueba. Aplicará límites de procesamiento para clasificar solo puntos dentro de los límites.
- Restaure ArcGIS Pro.
- En el panel Catálogo, expanda Carpetas, expanda DL y expanda testdata. Abra las propiedades para test.lasd y actualice las estadísticas. Haga clic en Aceptar.
- Haga clic con el botón derecho en test.lasd, elija Agregar a nuevo y Escena local.
El dataset LAS test.lasd aparece en una escena local.
- Si es necesario, en el panel Contenido, haga clic en test.lasd para seleccionarlo. En la cinta, haga clic en la pestaña Capa del dataset LAS, haga clic en la flecha desplegable para Simbología y elja Clase.
El dataset LAS test.lasd se representa ahora mediante códigos de clase.
Los puntos de terreno (clase 2) y los puntos de bajo ruido (clase 7) ya están clasificados. Los puntos de la izquierda no están asignados (clase 1).
- En el panel Geoprocesamiento, busque y abra la herramienta Clasificar nube de puntos con modelo entrenado.
- En Nube de puntos de destino, haga clic en el menú desplegable y elija test.lasd.
- En Superficie de referencia, haga clic en el botón Examinar y vaya a C:\LearnArcGIS\DL\testdata. Haga clic en dem_test.tif y luego en Aceptar.
- En Códigos de clase excluidos, agregue 2 y 7.
- En Límite de procesamiento, vaya a C:\LearnArcGIS\DL\testdata\boundaries.gdb y haga doble clic en bnd_test.
Al seleccionar un Límite de procesamiento, la herramienta utilizará el modelo entrenado que proporcione para clasificar solo los puntos dentro del límite.
Nota:
Dado que el modelo de clasificación de líneas de alta tensión se entrenó utilizando límites, una superficie de referencia y excluyendo ciertos códigos de clase, deben establecerse los mismos parámetros para la herramienta Clasificar nube de puntos mediante un modelo entrenado.
- En Definición de modelo de entrada, haga clic en Examinar. Vaya a la carpeta C:\LearnArcGIS\DL\results\Powerline_classification_model_large_data.checkpoints\models\checkpoint_2023-03-28_18-21-34_epoch_18 y ábrala. Haga clic en checkpoint_2023-03-28_18-21-34_epoch_18.emd y luego en Aceptar.
Nota:
En Definición del modelo de entrada, puede elegir un archivo .emd, un archivo .dlpk o la URL del modelo compartido en ArcGIS Online o ArcGIS Living Atlas of the World.
El parámetro Clasificación de destino aparece después de seleccionar un archivo de definición de modelo.
Deje el Tamaño de lote en blanco y deje que la herramienta calcule un tamaño de lote óptimo en función de la memoria disponible en la GPU.
Dado que los códigos de clase 2 y 7 están excluidos de la clasificación, el modelo solo clasifica los puntos de la izquierda (clase 1). Cuando se ejecuta el modelo, los puntos se predicen como líneas eléctricas y tendrán sus códigos de clase asignados como 14; de lo contrario, sus códigos de clase se mantienen como 1.
Nota:
Ignore la advertencia que aparece en el parámetro Códigos de clase excluidos.
- Haga clic en Ejecutar.
Se ejecuta la herramienta. A continuación, actualizará la simbología para mostrar los resultados del modelo de clasificación.
- En el panel Simbología, junto a Valor, haga clic en Más y luego en Agregar todos los valores.
La simbología se actualiza y los puntos de la nube de puntos que son conductores de cables aparecen en amarillo.
- Utilice las herramientas de navegación y los accesos directos para examinar los resultados de la clasificación en la escena local.
Los resultados de la clasificación son precisos con el modelo entrenado. Casi todos los puntos de líneas eléctricas se clasifican correctamente. Observe que los postes de electricidad aún están Sin asignar.
En este tutorial, ha aprendido el flujo de trabajo de clasificación de nube de puntos con tecnología de aprendizaje profundo. Ha obtenido experiencia con conceptos de aprendizaje profundo, la importancia de los datos de validación en el proceso de entrenamiento y cómo evaluar la calidad de los modelos entrenados. Con más detalle, puede usar la herramienta Extraer líneas eléctricas desde nube de puntos para generar líneas 3D para modelar las líneas eléctricas. También podría utilizar la herramienta Generar superficie de separación para determinar la zona de separación alrededor de las líneas eléctricas. Los puntos de la zona de separación, en su mayoría árboles, están demasiado cerca de las líneas eléctricas, lo que podría provocar un corte de suministro eléctrico o un incendio. Estas herramientas pueden ir más allá para proporcionar información importante para las evaluaciones de riesgos de seguros.
Encontrará más tutoriales en la galería de tutoriales.
