### 使用 Python 训练 ArcGIS Pro 导出的深度学习数据并对遥感影像进行推理 在 ArcGIS Pro 中生成的深度学习训练数据可以通过导出为特定格式（如 TensorFlow 或 PyTorch 支持的格式）来用于外部训练。以下是完整的流程和方法： #### 1. 数据准备与导出 ArcGIS Pro 提供了工具来生成和导出训练样本，这些样本可以被深度学习框架直接使用。通过 `Export Training Data For Deep Learning` 工具，用户可以选择输出格式（如 TFRecord 或 Image Chip），并指定标签类型（例如边界框或掩膜）。这些数据将作为模型训练的基础[^1]。 ```python import arcpy # 设置工作空间 arcpy.env.workspace = "C:/path/to/your/data" # 导出训练数据 output_folder = "C:/path/to/exported/training_data" input_features = "C:/path/to/input/features.shp" raster_data = "C:/path/to/raster/image.tif" arcpy.ExportTrainingDataForDeepLearning_ga( input_features, raster_data, output_folder, "TFRecord", "bounding_box" ) ``` #### 2. 模型训练 导出的数据可以用于训练深度学习模型。以下是一个基于 PyTorch 的简单示例，展示如何加载数据并训练模型。 ```python import torch from torch.utils.data import DataLoader from torchvision import datasets, models, transforms # 定义数据预处理步骤 data_transforms = { 'train': transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), } # 加载数据集 image_datasets = {x: datasets.ImageFolder(f'C:/path/to/exported/training_data/{x}', data_transforms[x]) for x in ['train']} dataloaders = {x: DataLoader(image_datasets[x], batch_size=4, shuffle=True) for x in ['train']} # 定义模型 model = models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, len(image_datasets['train'].classes)) # 定义损失函数和优化器 criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练模型 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = model.to(device) for epoch in range(10): running_loss = 0.0 for inputs, labels in dataloaders['train']: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1}, Loss: {running_loss/len(dataloaders['train'])}") ``` #### 3. 模型推理 训练完成的模型可以保存为 `.pth` 文件，并在 ArcGIS Pro 中使用。通过 `Apply Deep Learning` 工具，用户可以将模型应用于新的遥感影像以提取要素或分类地物。 ```python import torch from PIL import Image import torchvision.transforms as transforms # 加载模型 model = models.resnet18(pretrained=False) model.fc = torch.nn.Linear(512, 2) # 假设有两个类别 model.load_state_dict(torch.load("C:/path/to/trained_model.pth")) model.eval() # 定义推理函数 def predict_image(image_path): image = Image.open(image_path) transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) image_tensor = transform(image).unsqueeze(0) with torch.no_grad(): output = model(image_tensor) _, predicted = torch.max(output, 1) return predicted.item() # 测试图像 result = predict_image("C:/path/to/test_image.jpg") print(f"Predicted class: {result}") ``` #### 4. 在 ArcGIS Pro 中应用模型 训练好的模型可以通过 Esri 模型定义文件（`.emd`）导入到 ArcGIS Pro 中。使用 `Apply Deep Learning` 工具，可以对整个影像进行推理并生成矢量结果[^1]。 ```python import arcpy # 应用深度学习模型 model_file = "C:/path/to/model/model.emd" input_raster = "C:/path/to/input/raster.tif" output_feature_class = "C:/path/to/output/features.shp" arcpy.ApplyDeepLearning_ga(input_raster, model_file, output_feature_class) ``` ### 注意事项 - 确保训练数据的质量和多样性，以便模型能够泛化到不同的场景。 - 如果需要更高的精度，可以考虑微调预训练模型或增加训练数据量。 - GPU 的使用可以显著加速训练过程，推荐配置 NVIDIA CUDA 和 cuDNN 环境[^2]。