ArcGIS Pro深度学习实战：从数据准备到模型部署的完整解决方案

1次阅读

共计 2507 个字符，预计需要花费 7 分钟才能阅读完成。

在使用 ArcGIS Pro 进行深度学习项目时，我们通常会遇到三个主要阶段的痛点：

数据标注阶段
原生标注工具功能有限，不支持常见的 PASCAL VOC 或 COCO 格式
地理坐标与像素坐标转换需要手动计算，容易出错
多人协作标注时难以保证数据一致性
模型训练阶段
默认参数配置对 GPU 显存利用不充分
训练过程中容易出现 OOM（内存溢出）错误
混合精度训练支持不够友好
生产部署阶段
模型导出流程复杂，需要多次手工操作
部署到 ArcGIS Enterprise 时缺乏标准化流程
推理性能难以监控和优化

我们采用 LabelImg+ArcPy 的组合方案来解决标注问题：

使用 LabelImg 进行高效的视觉标注，生成 PASCAL VOC 格式的 XML 文件
开发坐标转换工具自动处理地理坐标与像素坐标的转换

# 坐标转换函数示例 (WGS84 转像素坐标)
def geo_to_pixel(geo_x, geo_y, raster_info):
    """
    将地理坐标转换为像素坐标
    :param geo_x: 经度坐标
    :param geo_y: 纬度坐标
    :param raster_info: 栅格信息对象
    :return: (pixel_x, pixel_y)
    """
    # 计算像素坐标
    pixel_x = int((geo_x - raster_info.extent.XMin) / raster_info.meanCellWidth)
    pixel_y = int((raster_info.extent.YMax - geo_y) / raster_info.meanCellHeight)
    return pixel_x, pixel_y

通过以下技术优化训练过程：

采用混合精度训练（FP16+FP32）
实现动态显存分配策略
添加训练过程监控

# 显存监控装饰器实现
import tensorflow as tf
from functools import wraps

def gpu_memory_monitor(max_retries=3):
    """
    GPU 显存监控装饰器，带异常重试机制
    :param max_retries: 最大重试次数
    """
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            retries = 0
            while retries < max_retries:
                try:
                    # 设置 GPU 显存动态增长
                    gpus = tf.config.experimental.list_physical_devices('GPU')
                    for gpu in gpus:
                        tf.config.experimental.set_memory_growth(gpu, True)
                    return func(*args, **kwargs)
                except tf.errors.ResourceExhaustedError:
                    retries += 1
                    print(f"GPU OOM encountered, retrying ({retries}/{max_retries})")
                    tf.keras.backend.clear_session()
            raise RuntimeError("Max retries exceeded for GPU memory issues")
        return wrapper
    return decorator

开发自动化脚本将训练好的模型导出为 Deep Learning Package(.dlpk)：

# 模型导出为.dlpk 的脚本
import arcpy
from pathlib import Path

def export_to_dlpk(model_path, output_folder, model_name, description=""):"""
    将训练好的模型导出为 ArcGIS Pro 可用的 Deep Learning Package
    :param model_path: 模型文件路径
    :param output_folder: 输出文件夹
    :param model_name: 模型名称
    :param description: 模型描述
    """
    # 确保输出文件夹存在
    Path(output_folder).mkdir(parents=True, exist_ok=True)

    # 设置导出参数
    arcpy.management.DeepLearningPackage(
        in_model=model_path,
        output_folder=output_folder,
        in_model_name=model_name,
        framework="TENSORFLOW",
        inference_function="Predict",
        class_labels="classes.txt",
        description=description,
        environment_settings="GPU"
    )
    print(f"Successfully exported model to {output_folder}")