Utility Network Elektrik Çözümleri & İzleme Yetenekleri

Kuruluşların, elektrik dağıtım ve iletimi sistemlerini bir Utility Network ağı olarak temsil etmeye başlamalarına yardımcı olmak üzere Esri, Elektrik altyapısı için ücretsiz ArcGIS Çözümleri sağlar. En son sürümü kullanacağınız çözüm Elektrik Utility Network ağına başlamak için temel bileşenler barındırmaktadır:

The Electric Utility Network Foundation

  1. Bu StoryMap aracılığıyla Electric Utility Network Foundation içeriklerini öğrenmenize yardımcı olacaktır.
  2. Başlangıç seviyesinde iken dökümandaki kurulum adımlarını izleyebilirsiniz.

Bu adımlar, varlık paketini kullanarak Elektrik çözümünü ArcGIS Enterprise portalınızda dağıtmak ve yapılandırmak için gerekli araçları kurmanızda size rehberlik edecektir. Bu varlık paketi, yaygın elektrik bileşenleri için bir şema ve ağ davranışlarını tanımlayan bir takım temel network kuralları içerir. Bu yapıda elektrik veri modeli bulunmaktadır.

Utility Network ağına başlamak için tüm detay sınıflarını, varlık gruplarını, varlık türleri kurallarını ve diğer ağ özelliklerini içerecek şekilde yapılandırır. Alanlara ve varlık gruplarına genel bir bakış yapmak için içerisinden her detay sınıfının nasıl tasarlandığını gösteren bir veri sözlüğü çıkmaktadır.

Elektrik diyagramları CBS’de karmaşık yapılar oluşturmak için bir kılavuz olarak sağlanır ve varlıkların modellemesinin faydalarını ayrıntılı olarak ortaya koyar. Çözümü, kendi verilerinizin bir alt kümesine uygulamadan önce tamamlayıcı örnek verileri kullanarak test etmenizi öneririm. Bu şekilde önce elektrik çözümüne ve bu çözümün kuruluşunuzun özel ihtiyaçlarına göre nasıl uyarlanabileceğine dair fikir edinebilirsiniz.

Kendi verilerinizi kullanmaya hazır olduğunuzda, bu işlemle ilgili yardım için Electric Utility Network Veri Yükleme Şablonuna göz atabilirsiniz.

The Electric Utility Network Editor

  1. Bu StoryMap aracılığıyla Electric Utility Network Editor’ü inceleyebilirsiniz.
  2. Electric Utility Network Editor dokümanına erişerek Editör işlemlerine başlangıç sekmesinde ki adımları izleyerek kuruluma başlayabilirsiniz.

Bu adımlar, çözümün ArcGIS Enterprise Portalınızda nasıl dağıtılacağına ve ArcGIS Pro için Electric Network Editor haritasının, elektrik tesisatınızda ortak olan varlıkların oluşturulmasına özgü ek feature template şablonlarıyla yapılandırılmasına ilişkin ayrıntıları içerir. Ayrıca yardım bölümünde iş akışı örneklerini düzenleme konusuna bakabilirsiniz.

İzleme Nedir?

Utility Network izleme yetenekleri ağınızdaki yolları analiz etmenize olanak sağlar. Bu araç belirtilen başlangıç ​​nokta veya noktalarından bağlantısallığa dayalı özellikler döndüren bir izleme aracı çalıştırır. Herhangi bir zamanda ağınızın durumuyla ilgili yanıtları keşfetmek ve sorunları çözmek için kullanabilirsiniz.

Utility Network izleme yetenekleri, kuruluşunuzdaki network ağı üzerinde analiz etmenize olanak sağlar. Subnetwork, Subnetwork controllers, Upstream/Downstream, Isolation, Connected, Loops ve Shortest path dahil olmak üzere Trace aracı ile sağlanan birçok temel izleme türü vardır. Bu izleme türlerinin ne işe yaradığından aşağıda ayrıntılı olarak bahsedilmiştir. İzleme işlemi üç bileşene sahiptir, başlangıç ​​noktası (Starting points), engeller ( Barriers) ve izleme sonuçlarını (Trace Results) içerir. Bir izleme, belirtilen network için bir veya daha fazla başlangıç ​​nokta denetleyicisinde başlar ve radyal bir şekilde dışa doğru yayılır. Bağlı özellikler izleme yolu boyunca son konuma ulaşıncaya kadar devam eder.

İzleme Türleri Ne İşe Yarar?

 

  • Connected : Bağlı izleme türünü kullanarak İzleme aracıyla ağınızdaki belirli bir başlangıç ​​noktası kümesine bağlı tüm özellikleri bulabilirsiniz
  • Subnetwork : Alt ağ izleme türü ile alt ağa katılan tüm detayları keşfedebilirsiniz
  • Subnetwork Controllers : Ağınızdaki Subnetwork Controller noktalarını bulabilirsiniz
  • Upstream : Ağdaki bir başlangıç ​​noktası konumundan yukarı akış yönündeki detayları bulabilirsiniz
  • Downstream : Ağdaki bir başlangıç ​​noktası konumundan aşağı akış yönündeki detayları bulabilirsiniz
  • Loops :Döngüler, akış yönünün belirsiz olduğu ağ alanlarıdır. Bir döngü içinde kaynaklar her iki (aşağı ve yukarı akış) yönde de akabilir. Loops izleme aracını kullanarak döngüleri keşfedebilirsiniz.
  • Shortest path : İki başlangıç ​​noktası arasındaki en kısa yol Shortest Path aracıyla belirlenebilir. En kısa yol şekil uzunluğu gibi sayısal bir ağ özelliği kullanılarak hesaplanır. Maliyet veya mesafeye dayalı yollar, en kısa yol izleme aracı ile elde edebilirsiniz
  • Isolation :İzolasyon izleme türüne sahip İzleme aracını kullanarak ağınızdaki yalıtım özelliklerini bulabilirsiniz

 

 

ArcGIS Enterprise 10.8 Yazılım ve Yama Güncelleme Kontrolü – Kurulumu (Windows)

 

Esri periyodik olarak ArcGIS Enterprise dahil bütün ArcGIS yazılım ve bileşenleri için yama ve güncelleme yayınlar. Her güncelleme e-posta ile bildirilir ve Esri destek web sitesinden duyurulur. Ayrıca güncelleme kontrollerini patchnotification aracı ile gerçekleştirebilirsiniz.

Bu araç makinede kurulu olan ArcGIS Enterprise bileşenleri, rolleri ve eklentileri ile ilgili güncelleme raporlar. Ayrıca kurulmuş yamalar hakkında bilgi verir.

Bu aracı kullanarak yazılımlar için gereken yama ve güncelleme paketlerini seçiminize göre kurup yükleyebilirsiniz.

Not: Bu araç konsol modunda seçim yapılarak kurulumu desteklemez.

Bu aşamaları aşağıdaki gibi yapabilirsiniz.

  • ArcGIS Server sunucusunda oturum açınız.
  • Windows menüsünüden “Başlat >> Bütün Programlar >> ArcGIS >> ArcGIS Server >> Check for ArcGIS Enterprise Updates” üzerinden erişebilirsiniz. Alternatif olarak ArcGIS Server kurulu dizinde (<ArcGIS Server Kurulum Dizini>\tools\patchnotification ) bat  dosyasını bulabilirsiniz.  “-c” parametresiyle konsol üzerinden çalıştırabilirsiniz. Bu işlemleri yönetici yetkisi ile yaptığınızdan emin olun.

  • Güncelleme bilgilerini görüntüleyip ilgili linke tıklayarak indirip kurulum gerçekleştirebilirsiniz.
  • Ayrıca konsol ile çalıştırırken “-i sec” parametresi ile sadece güvenlik yamalarını kurabilirsiniz. Bütün güncellemeleri indirmek ve kurmak için “-i all” paramatresini kullanabilirsiniz.

  • Varsayılan indirme dizini “İndirilenler” dizin olarak tanımlıdır Bunu ayarlar sekmesinden değiştirebilirsiniz. Ayrıca -d paramatresi devamına belirteceğiniz dizin ile belirli bir dizine indirme tanımlayabilirsiniz.

  • İndirme ve kurulum işlemi gerçekleştikten sonra silinmesi için kurulum tamamlantıktan silinmesi için menüden “Delete patch folder” seçeneğinen Always delete after successful installs” seçerek kurulumu yapabilirsiniz. Ayrıca “-o always” parametresi ile komut satırından bu işlemleri gerçekleştirebilirsiniz.

 

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

Versiyonlama: Branch Versioning

Çok kullanıcılı düzenleme senaryolarında, versiyonlar, her bir düzenleyiciye verilerin benzersiz, izole görünümünü sağlayarak, düzenleyicilerin kilitleme yapmadan veya verileri çoğaltmadan aynı anda aynı verilerle çalışmasına olanak tanır.

Branch Versioning İş Akışına Genel Bakış

Versiyonlama, düzenleyicilerin kendi coğrafi veri tabanı versiyonları içinde ve birden çok düzenleme oturumunda izole çalışmasına izin vererek uzun işlemleri kolaylaştırır. Bir düzenleyici düzenleme koleksiyonunu bitirdiğinde, değişikliklerini kendi versiyonunun oluşturulduğu üst (parent) versiyona geri birleştirebilir. Bir coğrafi veri tabanındaki tüm versiyonların orijinal üst ögesi, Default versiyon olarak adlandırılır.

ArcGIS’te Traditional Versioning ve Branch Versioning olmak üzere versiyonlamanın iki türü vardır. Traditional Versioning, ArcGIS Desktop tarafında kullanılmaya başlanan, ArcGIS Pro üzerinde de desteklenmeye devam eden veri tabanı yönetim yeteneğidir.  ArcGIS Pro ile birlikte versiyonlamaya “Branch Versioning” eklenmiştir.

Branch Versioning, web detay katmanları aracılığıyla çok kullanıcılı düzenleme iş akışlarına ve uzun işlem senaryolarına izin vermek için servis tabanlı bir mimari kullanan ve ArcGIS Enterprise Web CBS modeli ile çalışan bir versiyonlama türüdür. Bir veritabanı bağlantısına bağlı olmak yerine servis tabanlı bir mimariden yararlanan çok kullanıcılı düzenleme için yeni bir platformdur.

Branch Versioning, iş akışı yönetimini geliştirirken Traditional Versioning’in köklü yeteneklerine dayanır. Düzenleme ve versiyon yönetimi dahil tüm işlemler, ArcGIS Enterprise portal ortamı aracılığıyla gerçekleştirilir. VMS olarak adlandırılan Versiyon Yönetim Servisi yeteneği sayesinde, versiyon yönetim görevleri artık servisler aracılığıyla gerçekleştirilmektedir.

Branch Versioning temel iş akışı, versiyon yönetimi yeteneğine sahip bir detay servisinden yararlanır.

Branch Versioning, detay servisleri modeline dayanır. Web tabanlı entegrasyon, web’e erişebileceğiniz her yerden versiyonlara erişmenin ve düzenlemeler yapmanın avantajlarını sağlar:

  • İş birliği daha basittir ve web CBS uygulamaları aracılığıyla daha verimli erişimi destekler.
  • Bir versiyonda yapılan düzenlemeler, web haritalama uygulamalarınızın arkasındaki verileri güncelleyerek etkin detay katmanlarına gönderilebilir.
  • Güçlü bir güvenlik modelini desteklemek için kuruluşunuzun güvenlik yapısı ile birlikte ArcGIS Enterprise aracılığıyla sağlanan servis odaklı mimariden yararlanır.
  • Ölçeklenebilirlik, servis odaklı mimari aracılığıyla daha kolay hale getirilerek, talepler ve kullanım büyüdükçe versiyon oluşturma işlemlerinin ölçeklenmesine olanak tanır.

Bu web tabanlı yeteneklere ek olarak, otomasyon ve uygulama erişiminin birçok avantajı vardır. ArcGIS Enterprise portal üzerinden yayınlanan ve versiyonlanan veriler, düzenlemelerin akıllı telefonlardan, web uygulamalarından, üçüncü taraf uygulamalardan ve hatta REST API kullanılarak otomatikleştirilmiş komut dosyalarından yapılmasına olanak tanır.

ArcGIS Enterprise Web CBS Modeli

Branch Versioning, performans ve kullanım kolaylığı için optimize edilmiştir.

Branch Versioning, Traditional Versioning yönetimiyle ilgili zorlukları çözmeyi ve kullanıcı deneyimini iyileştirmeyi amaçlamaktadır. Bunu mümkün kılan birkaç temel özellik vardır:

  • Branch Versioning, düzenlemeleri sıkıştırılması gerekmeyen tek bir tabloda arşivleyen zamansal bir modele dayalıdır. Bu model ile artık ek bir sınıf oluşturmadan arşivlemenin tüm avantajlarından yararlanabilirsiniz. Her düzenleme işlemi arka planda tutulur ve düzenlemelerinizin geçmişinin (silme işlemleri dahil) kaydedilmesi sağlanır. Bu yetenek, bir düzenleme oturumu boyunca geri alma/yineleme yeteneği sağlar.
  • Yönetim artık daha basitleştirilmiştir. Temel yapı, versiyon yönetimini büyük ölçüde iyileştiren düz dallı bir yapıyı takip eder. Grandchild (torun) versiyonlarına izin verilmez ve Default versiyon her zaman üst ögedir.

Özetle Branch Versioning, çok kullanıcılı düzenleme iş akışlarınızı daha basit ve daha sağlam hale getirmek için tasarlanmıştır. Web CBS ile entegrasyon yoluyla sunulan yetenekler erişimi genişletir, veri paylaşımını daha kolay, daha güvenilir hale getirir ve web uygulamalarında veri gerçekliğini sağlamaya yardımcı olur.

ArcGIS uygulamaları ve güncellemeleriyle ilgili daha fazla bilgiye ulaşmak için blog sayfamızı takip edebilirsiniz.

 Esri Türkiye 2020

ArcMap’ten Portal for ArcGIS İçeriğine Erişim

ArcMap’ten Portal for ArcGIS İçeriğine Erişim

ArcGIS Pro masaüstü yazılımı bütünleşik olarak Portal for ArcGIS ile çalışabilirken, ArcMap masaüstü yazılımı kullanılarak Portal for ArcGIS içerisindeki içeriğe erişim, iki yöntem ile sağlanmaktadır:

  • Portal bağlantısı kurularak
  • ArcGIS Server bağlantısı oluşturarak

1.      Portal Bağlantısı Kurularak

Organizasyonunuza ait portal’a erişim için aşağıdaki adımları uygulayınız:

1- Windows Başlat menüsü içerisinden “ArcGIS->ArcGIS Administrator” uygulaması çalıştırılır.

2- Açılan “ArcGIS Administrator” uygulama içerisinden “Advanced” düğmesine basılır.

3- Ekrandaki “Manage Portal Connections” düğmesine basılır.

4-Açılan ekrandan “Add” düğmesine basılarak, Portal for ArcGIS’e erişim URL’si girilir. URL bilgisini teknik personelden elde edebilirsiniz.

Listeden yeni girilen URL bağlantısı seçilir ve “Connect” düğmesine basılır. Bağlantı bilgileri doğru ise ekran kapatılır. “Save” düğmesine basılır. “ArcGIS Administrator” ana ekranında “Ok” düğmesine basılır.

5- ArcMap uygulaması açılır. Üst kısımdan araç menülerinden “Add Data” menü düğmesine basılır ve açılan listeden “Add Data From ArcGIS Online…” menü parçası seçilir.

6- Açılan ekranda sağ kısımdaki “Sign in” linkine tıklanır. Kullanıcı bilgileri girilir ve kullanıcıya ait katman bilgileri görüntülenir. Eklenmek istenen katman seçilir ve “Add” düğmesine basılır. ArcMap içerisinde görüntülenir.

2.      ArcGIS Server Bağlantısı Oluşturarak

Portal for ArcGIS içerisinde oluşturulan katmanlara ait servisler ArcGIS Server tarafından konumlandırılır. Bu sebeple ArcGIS Server’e bağlantı kurulduğunda, Portal for ArcGIS içerisinde kullanıcının oluşturduğu katmanlara da erişim sağlanır.

1- Öncelikle ArcMap içerisinden “Add ArcGIS Server” seçilir.

2- Açılan ekrandan “Use GIS services” seçeneği seçilir ve “Next” düğmesine basılır.

3-Gösterimi yapılan ekranda ArcGIS Server bağlantı ve yetkilendirme bilgileri girilir. “Finish” düğmesine basıldığında bilgiler doğru ise, “Catalog” panelinde yeni bir ArcGIS Server bağlantısı oluşturulacaktır.

4- “Catalog” panelinde oluşturulan ArcGIS Server bağlantısı içerisinden gösterimi yapılmak istenen katman bulunur ve haritaya eklenir.

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

Derin öğrenme, örnek verilerden öğrenmek için derin sinir ağlarını kullanan bir makine öğrenme tekniğidir. Tıpkı geleneksel denetimli görüntü sınıflandırması gibi, bu modeller verdiğimiz verilerde neyi arayacaklarını “öğrenmek” için eğitim örneklerini kullanır. Ancak, geleneksel bölümleme ve sınıflandırmanın aksine, derin öğrenme modelleri yalnızca tek tek piksellere veya piksel gruplarına bakmaz. Daha yüksek öğrenme kapasitesine sahiptirler ve görüntülerde çeşitli ölçeklerdeki karmaşık şekilleri, desenleri ve dokuları tanımayı öğrenebilirler. Bu, derin öğrenme modellerinin çeşitli koşullarda çok miktarda eğitim verisinden öğrenebilmesini sağlar. Eğitilen modeller daha sonra çok daha düşük bir bilgisayar hesaplama gücüyle çok daha çeşitli görüntülere uygulanabilir ve paylaştığınız kişiler tarafından yeniden kullanılabilir.

ArcGIS’te Derin Öğrenme

ArcGIS Pro’daki Image Analyst ek bileşeni, analistlerinin kullanımına özel bir Derin Öğrenme Araç Seti içerir . Bunun yanında basitleştirilmiş bir derin öğrenme paket yükleyicisi sayesinde, kütüphaneler ve modüler gibi gerekli bağımlılıklar kolaylıkla indirilebilir ve yükleme deneyimi basitleştirilmiştir. Eğer veri bilimcileri kod satırları kullanmak isterlerse, bu modelleri eğitmek için ArcGIS Pro, Enterprise ve ArcGIS Online’daki Python notebook’ları da kullanabilirler.

ArcGIS API for Python, çok çeşitli derin öğrenme modellerini kendi veri kümelerinizde eğitmeyi ve problemlerinizi çözmeyi kolaylaştıran arcgis.learn modülünü içerir . Gelişmiş CBS ve uzaktan algılama iş akışlarını destekleyen on beşten fazla derin öğrenme modeli içerir. Ek olarak, bu modeller çok çeşitli veri türlerini desteklemektedir, çeşitli türdeki görüntüler, nokta bulutları, batimetrik veriler, LiDAR, videolar, detay katmanları, tablosal veriler ve hatta yapılandırılmamış metinler bunlardan bazılarıdır.

Arcgis.learn modülündeki tüm modeller basit ve veriye duyarlı akıllı varsayılanlar sayesinde eğitilebilir. Modeller, ArcGIS’ten dışa aktarılan eğitim verilerini karmaşık bir ön işleme olmaksızın kullanır ve eğitilen modeller, modelin çıktısının sonradan işlenmesine gerek kalmadan doğrudan ArcGIS platformunda kullanılabilir.

Derin öğrenmenin son derece başarılı olduğu bir alan, görüntülerdir. Bilgisayar görüşü, bilgisayarların görüntülerdeki nesneleri görme veya tanıma becerisidir. Bu, özellikle CBS uygulamalarında çok faydalı olabilir çünkü günümüzde uydu, hava ve İHA görüntüleri, insanların üzerinde analizler uygulayıp, çıkarımda bulunabileceklerinden çok daha fazla ve hızlı üretilebilmektedir.

arcgis.learn’deki derin öğrenme modellerinin çeşitli CBS ve uzaktan algılama görevlerini gerçekleştirmek için nasıl kullanılabileceğine bakalım.

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

Arcgis.learn’deki FeatureClassifier (Detay Sınıflandırıcı) modeli, coğrafi detayları veya nesneleri görüntülerde nasıl göründüklerine göre sınıflandırmak için kullanılabilir. Bu model, ResNet, Inception veya VGG gibi görüntü sınıflandırma modellerinden yararlanır.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

CBS’de bu modeller, orman yangınlarından sonra otomatik hasar değerlendirmesi yapmak veya yüzme havuzlarını temiz veya yosun istilasına uğramış yeşil havuzlar olarak sınıflandırmak için kullanılabilir .

Hasar değerlendirme iş akışını özetleyen örnek bir notebook’a buradan ulaşabilirsiniz.

Bu model uydu görüntüleriyle çalışmasının yanı sıra, veri toplama iş akışları için sahada da kullanılabilir. Aşağıdaki örnekte, Survey123 kullanarak bir ağaç envanteri oluşturmak için bir bitki türü tanımlama modeli kullanılmaktadır. Bu tür TensorFlow Lite modellerini entegre etmeyi desteklemektedir.

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

En çok tercih edilen diğer bir model ise bir görüntüdeki her pikseli etiketlediğimiz Piksel Sınıflandırmasıdır.

Derin öğrenme dünyasında “semantik segmentasyon” olarak bilinen piksel sınıflandırması işleri, UnetClassifier modeli, PSPNetClassifier ve DeepLab (v3) gibi daha yeni modellerle birlikte ArcGIS Python API’de bulunuyor.

Arcgis.learn'ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma

Arcgis.learn’ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma.

Bu modeller, uydu görüntülerinden bina taban alanı sınırlarını ve yolları çıkarmak veya arazi örtüsü sınıflandırması yapmak için kullanılabilir. Yukarıdaki örnekteki iş için derin öğrenme modelini eğitmek yalnızca birkaç basit adımla yapılabilir ve kayda değer sonuçlar alabilirsiniz.

Bu örnek notebook, yüksek çözünürlüklü arazi örtüsü verileriyle eğitilmiş bir UnetClassifier modelini kullanır. İyi çalışsa da her pikseli bilgisayara tanıtmak için çalışan bir insan tarafından bu kadar yüksek çözünürlüklü eğitim verilerini etiketlemek zaman alıcı ve masraflı olabilir.

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması.

Python API ile seyrek olarak etiketlenmiş veriler kullanılarak bu tür modellerin eğitimi için kullanılabilirsiniz. Burada sadece birkaç alanı her bir arazi örtüsü sınıfına ait olarak etiketlememiz gerekiyor. Ardından, görüntüdeki her piksel için arazi örtüsünü bulmak için bir piksel sınıflandırma modeli eğitebiliriz.

3. Nesne Algılama

CBS’deki başka bir önemli iş ise bir görüntüdeki belirli nesneleri bulma ve konumlarını bir sınırlayıcı kutuyla işaretleme işidir. Daha çok nesne algılama olarak bilinen bu modeller, ağaçlarıkuyu yataklarınıyüzme havuzlarınıtuğla fırınları veya batimetrik verilerden gemi enkazlarını ve hatta çok daha fazlasını algılayabilir . Bu işlemleriniz için Arcgis.learn modülü SingleShotDetector, RetinaNet, YOLOv3 ve FasterRCNN gibi çeşitli nesne algılama modellerini içerir .

FasterRCNN en doğru sonuç veren modeldir ancak eğitilmesi ve çıkarım gerçekleştirmesi daha yavaştır. SingleShotDetector ve RetinaNet ise FasterRCNN tarafından kullanılan iki aşamalı yaklaşımın aksine nesneleri algılamak için tek aşamalı bir yaklaşım kullandıklarından daha hızlı modellerdir.

YOLOv3, arcgis.learn ailesindeki en yeni nesne algılama modelidir. Küçük nesneleri tespit etmede hızlı ve yüksek doğruluğa sahiptir ve Microsoft Common Objects in Content (COCO) veri kümesindeki 80 yaygın nesne türü üzerine önceden eğitilmiş olarak gelen arcgis.learn’deki ilk modeldir.

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

Bu modeller hareketli videolardaki nesneleri bile algılayabilir. Bunun örnekleri için yayın balığını İHA videolarında veya trafikte seyreden bir araca monteli akıllı telefon videoları sayesinde yollardaki çatlakları bulma örneklerinde göz atabilirsiniz.

Bunların yanında nesneleri sadece sınırlayıcı bir kutuyla değil, aynı zamanda o nesneyi kaplayan kesin bir çokgen sınırı veya raster maskeyle de tespit edip konumlandırabilirsiniz. Derin öğrenme dünyasında, bu göreve “örnek bölümleme” deniyor çünkü görev, bir nesnenin her bir örneğini bulmayı ve onu bölümlere ayırmayı içerir.

Bunun için en popüler model MaskRCNN’dir ve arcgis.learn’de bu modeli de kullanabilirsniz. Modelin özellikle yan yana olan binaların taban alanı sınırlarını çıkarma örneğindeki başarısını inceleyebilirsiniz.

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

Örnek olarak 3B binaları havadan kaydedilmiş LIDAR verilerinden yeniden inşa etmek için MaskRCNN’in kullanıldığı bir örnek için bağlantıya tıklayabilirsiniz.

4. Nokta Bulutu Bölümlemesi

3 Boyutlu çalışmalarınız için arcgis.learn modülünde bir 3B derin öğrenme desteği de bulunuyor.

PointCNN modeli nokta bulutu bölümlemesi için kullanılabilir. Bu görevde, nokta bulutundaki her noktaya, gerçek dünyadaki bir varlığı temsil eden bir etiket atanır.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

Bu model, ham nokta bulutlarından binalar, zemin ve ağaçlar çıkararak 3B altlık haritaları oluşturmak için kullanılabilir. Diğer bir örnek ise havadan toplanmış LiDAR nokta bulutundan güç hatlarını ve elektrik direklerini çıkarmaktır. Vejetasyona temas eden kabloların tespit edilmesi ve kaçak kullanımları belirlemek bu model olmadan yapıldığında çok yoğun emek isteyen bir iştir.

5. Görüntü Geliştirme

Şimdiye kadar, görüntülerden ve nokta bulutlarından bilgi çıkarmanın birkaç örneğinde bahsettik. Bu işlerin yanında bir de düşük kaliteli raster verilerden daha yüksek çözünürlüklü görüntü sentezlemenizi sağlayan SuperResolution modeli de arcgis.learn bulunuyor. Bu model görüntülerinin görselleştirme kalitesini artırmanın yanı sıra görüntü yorumlanabilirliğini iyileştirmek için kullanılabilir.

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

Bu model polisiye filmlerde görmeye alışık olduğumuz “Yakınlaştır! Geliştir!” işlevini ArcGIS’e getiriyor! Düşük çözünürlüklü ve bulanık görüntüleri girdi olarak kullanabilir ve bunları yüksek kaliteli, yüksek çözünürlüklü görüntülere dönüştürebilirsiniz. Model gerçekçi doku ve detaylar ekleyerek, simüle edilmiş yüksek çözünürlüklü görüntüler üretir. Yukarıdaki ekran görüntüsüne bu işlemi yapan örnek notebook’a buradan ulaşabilirsiniz.

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

Derin öğrenmenin sadece görüntüler ve 3B veriler üzerinde çalışıyor gibi gelmiş olabilir. Bunun dışında da derin öğrenmeden fayadalanabiliyoruz. Derin sinir ağları, özellik katmanları ve tablo verileri üzerinde en az onlarda olduğu kadar iyi sonuçlar verir.

FullyConnectedNetwork modeliyle, detay katmanı veya raster verinizin tablosal değerlerini derin sinir ağlarında kullanabilirsiniz. Bu model ile biyoklimatik faktörlere göre bir hastalığa duyarlı alanları sınıflandırabilir veya hava faktörlerine bağlı olarak güneş enerjisi santrallerinin verimliliğini tahmin edebilirsiniz.

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

Yukarıdaki grafikte mavi çizgi gerçek güneş enerjisi üretimini gösterir ve turuncu çizgi FullyConnectedNetwork modelinden tahmin edilen değerleri göstermektedir.

7. Yapılandırılmamış Metinden Varlık Çıkarma

Mekânsal veriler her zaman coğrafi veri tabanları ve Shapefile olarak düzgün bir şekilde paketlenmiş olarak gelmeyebilir. Genellikle saha ekipleri tarafından raporlar gibi yapılandırılmamış bir metin biçimde saklanırlar. Bu verileri mekânsal analizlerde kullanmak için, bunları detay katmanları gibi yapılandırılmış, standartlaştırılmış bir biçime dönüştürmeniz gerekir. Ancak, yapılandırılmamış metinleri okumak ve dönüştürmek zor ve zaman alıcıdır.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Derin Öğrenme, doğal dil işlemede çok ilerleme kaydetmiştir ve arcgis.learn’de bulunan EntityRecognizer modeli ile yapılandırılmamış metinden anlamlı mekânsal bilgiler elde edebilirsiniz.

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

Bu Notebook ile binlerce örnek polis raporunun bulunduğu yapılandırılmamış metin dosyasından bilgileri çekmek için bu modeli nasıl kullanabileceğinizi ve suç mahallerinin bir haritasını çıkarabileceğinizi öğrenebilirsiniz.

Diğer Modeller

Derin öğrenme alanı her geçen gün yepyeni gelişmeler gösteriyor. arcgis.learn’ın bu kadar çok modeli desteklemesinin yanında yine de yeni çıkacak başka modellere de ihtiyacınız olabilir.

Arcgis.learn’e, harici modelleri entegre edebilmeniz için genişletilebilirlik desteği eklendi. ModelExtension sınıfı herhangi başka bir nesne algılama modelini arcgis.learn’e entegre etmenizi sağlar. Model daha sonra ArcGIS tarafından dışa aktarılan eğitim verilerini doğrudan kullanabilir ve kaydedilen modeller ArcGIS derin öğrenme paketleri olarak kullanıma hazır hale gelir. Harici modelleri arcgis.learn ile entegre etmek, bu tür modelleri diğer modeller tarafından kullanılan aynı basit ve tutarlı API ile eğitmenize yardımcı olacaktır.

Ayrıca arcgis.learn , yeni MLModel sınıfını kullanarak ArcGIS’i popüler scikit-learn kitaplığındaki herhangi bir tahmin veya sınıflandırma modeliyle entegre etmenize de olanak sağlar.

Neden bu kadar çok model var?

Derin öğrenme, her ay çıkan yenilikler ve yeni modellerle hızla gelişen bir alandır ve Esri uzmanları bu yenilikleri aynı hızda ArcGIS’e getirerek, CBS’ye derin öğrenme yöntemlerini uygulamada, en yeni ve en iyi modelleri sunarak güncel kalmanızı sağlar.

Her modelin güçlü yönleri vardır ve belirli görevler için daha uygundur. Örneğin Nesne Algılamayı ele alırsak, FasterRCNN en iyi sonuçları verir, YOLOv3 en hızlıdır, SingleShotDetector iyi bir hız ve doğruluk dengesi sağlar ve RetinaNet küçük nesnelerle çok iyi çalışır.

Farklı modellerin bellek için farklı gereksinimleri vardır ve eğitim ve çıkarım hızları farklıdır. Daha büyük modelli daha derin sinir ağları daha doğru sonuçlar verir, ancak çok daha fazla belleğe ve daha uzun eğitim süreçlerine ihtiyaç duyar. Yeterince eğitebilmek için de daha büyük veri kümelerine ihtiyacınız vardır.

Bazı modeller ise hafiftir ve cep telefonları gibi mobil cihazlarda kullanım için daha uygundur.

Yetenekli zanaatkarların araç kutularındaki her bir araç hakkında bilgi sahibi olması gibi, yetenekli veri bilimcileri de her modeli benzersiz özelliklerine göre anlar ve çözülmesi gereken sorun bağlamında uygularlar.

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

İçinde yukarıda bahsettiğimiz derin öğrenme ve nesne tespiti örneklerini de uygulayabileceğiniz, mekânsal veri ve veri bilimine dair bir ücretsiz eğitimimiz yakında geliyor.

Mekansal Veri Bilimi Mooc

Ücretsiz olmasının yanında ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, Image Analyst, Spatial Analyst gibi bir çok ürüne de eğitiminiz sırasında ücretsiz sahip olacaksınız.

Udemy platformu üzerinden tamamen Türkçe olarak gelecek ay yayınlamayı planlıyoruz. Haberler için bizi takip edin.

Kaynak:

https://www.esri.com/arcgis-blog/products/api-python/analytics/deep-learning-models-in-arcgis-learn/

Esri Türkiye, 2020