标签：训练 模型 ENVI 发布 Learning OUTPUT 类别 正式版 ENVIDeepLearning1.1

ENVI DL 1.1 包含许多重大改进，以提高可用性和训练性能。

·    多类别架构（Multiclass Architecture）

·    深度学习标记工具（Deep Learning Labeling Tool）

·    集成TensorBoard（可查看训练状态）

·    测试系统支持状态

·    其他更新

·    编程

·    申请试用

 

1 多类别架构（Multiclass Architecture）

ENVI DL 1.1新增支持多类别目标提取。功能如下：

·    支持一次提取多类别。ENVI DL 1.0为单类别提取，1.1新增多类别架构，最多一次可提取255个类别。

·    采用新的定制架构，显著提高模型性能和分类精度。新架构更加擅长重构标记样本的几何形状，例如圆形、矩形或多边形。

·    在自带的ENVI Modeler工作流中，已将模型训练替换为新的架构。

下图展示了使用新的多类别架构识别龙卷风后建筑物损坏情况，可以看到蓝色防水布（Blue Tarps）的形状和边缘捕捉非常清晰，还可以识别边缘模糊的类别。

请参阅ENVI深度学习帮助中的ENVI Deep Learning Tutorial: Extract Multiple Features章节。

四个类别的提取较为常见，但是下面的示例显示了多类别架构的真正能力。这是利用Landsat 8卫星图像提取的84类土地覆盖分类图像。

2 深度学习标记工具（Deep Learning Labeling Tool）

ENVI DL新增标记工具（Deep Learning Labeling Tool），提供了样本数据的标记和管理功能。

包含如下特性：

·    提供工程管理功能。这样便可以统一管理一个特定应用场景的所有训练数据。

·    提供类别管理功能。当我们设定好类别信息后，每次添加图像时无需新建ROI。如果打开图像时ROI类别不存在，标记工具将自动创建。

·    当使用标记工具时，自动实时保存所有操作，保证不会丢失。

·    明确标注图像是否已标记样本，方便工程多次编辑。

下图为标记工具创建的统计报告：

3 集成TensorBoard

可以实时了解模型训练的状态，如果发现输入的参数值不正确或没有创建足够的训练数据，可以提前终止训练从而节省时间。为了提供训练的实时反馈，TensorBoard被集成到训练过程中。开始训练模型时，TensorBoard会自动启动。它将在Web浏览器中打开，类似下图：

 

·    训练期间，TensorBoard报告每次批处理和迭代的Accuracy、Loss、Precision和Recall。

·    通过TensorBoard可以确认在训练过程中Accuracy、Precision和Recall是否都在增加，并且Loss在减少。建议至少验证两次迭代，如果不是上述情况，便可以停止训练，通过调整参数或添加更多的样本数据来提高精度。对于一些复杂的特征，可能需要经过更长时间的训练才能对性能有一个大致的了解。

·    可以使用ENVI内置的浏览器组件或系统浏览器查看训练指标。

·    通过Deep Learning Guide Map工具菜单Show Training Metrics可以访问和管理训练指标。

·    可以方便地对比多次训练。TensorBoard中的训练日志在训练会话之间保持不变，以便在重新训练时，可以比较模型性能，以查看新的训练数据或更新的参数是否有效。

 

4 测试系统支持状态

当我们第一次安装ENVI DL时，建议首先运行Test Installation and Configuration工具（在/Deep Learning/Deep Learning Guide Map工具的菜单Tools下）。此工具验证您的系统是否正确配置了NVIDIA驱动程序、NVIDIA GPU和库文件。

Test Installation and Configuration工具已更新，通过运行一个小的模型训练来验证所有过程是否按预期完成。测试完成后将显示一个对话框，提示系统是否准备好使用ENVI深度学习。

 

5 其他更新

其他更新提高了ENVI深度学习的可用性：

·    支持CUDA 10。现在可以使用最新的NVIDIA GPU。

·    在使用TensorFlow Mask Classification工具进行图像分类时，可以选择输出分类图像和类激活图（Class Activation Raster）。建议选择输出分类图像而不是类激活图像，除非希望自己设置类激活图像的阈值，特别是对于单类别情况。

·    Train TensorFlow Mask Model工具将默认同时保存最优和最后模型。最优模型是在每个迭代结束时验证数据的Loss值最低的模型。大多数情况下，此模型在其他数据上的性能将优于上一次迭代模型（甚至可能是最后一个模型）。但是，这个取决于创建验证数据的谨慎程度、与训练数据的相似程度、与模型使用的其他数据的相似程度等。有时训练时间越长，生成的模型性能越好，所以同时提供了最后一次迭代的模型。

·    新增工具Class Activation to Polyline Shapefile：将得到的类激活图转换为多边线矢量（提取中心线）

6 编程

新增如下过程/Task:

名称	描述
ENVIClassActivationToPolylineShapefileTask	将得到的类激活图转换为多边线矢量。
ENVIInitializeENVINet5MultiModelTask	初始化多类别模型。
ENVITensorBoard	手动显示TensorBoard，或打开/停止服务。

API更新：

ENVI Deep Learning 1.1有一些API更新，与以前版本会有冲突。如果在IDL代码或ENVI Modeler工作流中使用了以下Task，请更新代码或模型，以便与版本1.1兼容。

·    ENVITensorFlowClassificationTask：OUTPUT_RASTER关键字被OUTPUT_CLASSIFICATION_RASTER和OUTPUT_CLASS_ACTIVATION_RASTER替代。同样的，OUTPUT_RASTER_URI关键字被OUTPUT_CLASSIFICATION_RASTER_URI和OUTPUT_CLASS_ACTIVATION_RASTER_URI替代。

·    ENVIRandomizeTrainTensorFlowMaskModelTask：EPOCHS、OUTPUT_EPOCHS、 PATCHES_PER_EPOCH和OUTPUT_PATCHES_PER_EPOCH被移除。

·    ENVITrainTensorFlowMaskModelTask：新增OUTPUT_LAST_MODEL关键字用于返回最后一次模型。

7 申请试用

请访问https://www.cnblogs.com/enviidl/p/16275745.html

或“ENVI技术殿堂”公众号菜单：申请试用 > ENVI-IDL

标签：训练,模型,ENVI,发布,Learning,OUTPUT,类别,正式版,ENVIDeepLearning1.1
来源： https://www.cnblogs.com/enviidl/p/16312574.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。