ENVI DL 1.1 包含許多重大改進，以提高可用性和訓練效能。
· 多類別架構（Multiclass Architecture）
· 深度學習標記工具（Deep Learning Labeling Tool）
· 整合TensorBoard（可檢視訓練狀態）
· 測試系統支援狀態
· 其他更新
· 程式設計
· 申請試用
1 多類別架構（Multiclass Architecture）
ENVI DL 1.1新增支援多類別目標提取。功能如下：
· 支援一次提取多類別。ENVI DL 1.0為單類別提取，1.1新增多類別架構，最多一次可提取255個類別。
· 採用新的定製架構，顯著提高模型效能和分類精度。新架構更加擅長重構標記樣本的幾何形狀，例如圓形、矩形或多邊形。
· 在自帶的ENVI Modeler工作流中，已將模型訓練替換為新的架構。
下圖展示了使用新的多類別架構識別龍捲風後建築物損壞情況，可以看到藍色防水布（Blue Tarps）的形狀和邊緣捕捉非常清晰，還可以識別邊緣模糊的類別。
請參閱ENVI深度學習幫助中的ENVI Deep Learning Tutorial: Extract Multiple Features章節。
四個類別的提取較為常見，但是下面的示例顯示了多類別架構的真正能力。這是利用Landsat 8衛星影像提取的84類土地覆蓋分類影像。
2 深度學習標記工具（Deep Learning Labeling Tool）
ENVI DL新增標記工具（Deep Learning Labeling Tool），提供了樣本資料的標記和管理功能。
包含如下特性：
· 提供工程管理功能。這樣便可以統一管理一個特定應用場景的所有訓練資料。
· 提供類別管理功能。當我們設定好類別資訊後，每次新增影像時無需新建ROI。如果開啟影像時ROI類別不存在，標記工具將自動建立。
· 當使用標記工具時，自動實時儲存所有操作，保證不會丟失。
· 明確標註影像是否已標記樣本，方便工程多次編輯。
下圖為標記工具建立的統計報告：
3 整合TensorBoard
可以實時瞭解模型訓練的狀態，如果發現輸入的引數值不正確或沒有建立足夠的訓練資料，可以提前終止訓練從而節省時間。為了提供訓練的實時反饋，TensorBoard被整合到訓練過程中。開始訓練模型時，TensorBoard會自動啟動。它將在Web瀏覽器中開啟，類似下圖：
· 訓練期間，TensorBoard報告每次批處理和迭代的Accuracy、Loss、Precision和Recall。
· 透過TensorBoard可以確認在訓練過程中Accuracy、Precision和Recall是否都在增加，並且Loss在減少。建議至少驗證兩次迭代，如果不是上述情況，便可以停止訓練，透過調整引數或新增更多的樣本資料來提高精度。對於一些複雜的特徵，可能需要經過更長時間的訓練才能對效能有一個大致的瞭解。
· 可以使用ENVI內建的瀏覽器元件或系統瀏覽器檢視訓練指標。
· 透過Deep Learning Guide Map工具選單Show Training Metrics可以訪問和管理訓練指標。
· 可以方便地對比多次訓練。TensorBoard中的訓練日誌在訓練會話之間保持不變，以便在重新訓練時，可以比較模型效能，以檢視新的訓練資料或更新的引數是否有效。
4 測試系統支援狀態
當我們第一次安裝ENVI DL時，建議首先執行Test Installation and Configuration工具（在/Deep Learning/Deep Learning Guide Map工具的選單Tools下）。此工具驗證您的系統是否正確配置了NVIDIA驅動程式、NVIDIA GPU和庫檔案。
Test Installation and Configuration工具已更新，透過執行一個小的模型訓練來驗證所有過程是否按預期完成。測試完成後將顯示一個對話方塊，提示系統是否準備好使用ENVI深度學習。
5 其他更新
其他更新提高了ENVI深度學習的可用性：
· 支援CUDA 10。現在可以使用最新的NVIDIA GPU。
· 在使用TensorFlow Mask Classification工具進行影像分類時，可以選擇輸出分類影像和類啟用圖（Class Activation Raster）。建議選擇輸出分類影像而不是類啟用影像，除非希望自己設定類啟用影像的閾值，特別是對於單類別情況。
· Train TensorFlow Mask Model工具將預設同時儲存最優和最後模型。最優模型是在每個迭代結束時驗證資料的Loss值最低的模型。大多數情況下，此模型在其他資料上的效能將優於上一次迭代模型（甚至可能是最後一個模型）。但是，這個取決於建立驗證資料的謹慎程度、與訓練資料的相似程度、與模型使用的其他資料的相似程度等。有時訓練時間越長，生成的模型效能越好，所以同時提供了最後一次迭代的模型。
· 新增工具Class Activation to Polyline Shapefile：將得到的類啟用圖轉換為多邊線向量（提取中心線）
6 程式設計
新增如下過程/Task:
|
名稱 |
描述 |
|
ENVIClassActivationToPolylineShapefileTask |
將得到的類啟用圖轉換為多邊線向量。 |
|
ENVIInitializeENVINet5MultiModelTask |
初始化多類別模型。 |
|
ENVITensorBoard |
手動顯示TensorBoard，或開啟/停止服務。 |
API更新：
ENVI Deep Learning 1.1有一些API更新，與以前版本會有衝突。如果在IDL程式碼或ENVI Modeler工作流中使用了以下Task，請更新程式碼或模型，以便與版本1.1相容。
· ENVITensorFlowClassificationTask：OUTPUT_RASTER關鍵字被OUTPUT_CLASSIFICATION_RASTER和OUTPUT_CLASS_ACTIVATION_RASTER替代。同樣的，OUTPUT_RASTER_URI關鍵字被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關鍵字用於返回最後一次模型。
7 申請試用
請訪問https://www.cnblogs.com/enviidl/p/16275745.html
或“ENVI技術殿堂”公眾號選單：申請試用 > ENVI-IDL
