ArcGIS深度学习怎么做?样本库如何制作?

wowwwai GIS研习社 · 工具流程与项目排障

很多同学第一次做“ArcGIS深度学习怎么做?样本库如何制作?”时，最容易卡在两个地方：一是不知道 ArcGIS Pro 里的深度学习流程从哪里开始，二是不清楚训练样本到底要按什么标准制作。本文按实际项目流程，把 ArcGIS 深度学习从影像准备、样本标注、样本导出、模型训练到结果检查讲清楚，重点放在“样本库如何制作”这个关键环节。

引言：ArcGIS深度学习先从一个明确任务开始

ArcGIS 深度学习不是一上来就“训练模型”，而是先明确要解决什么遥感解译问题。常见任务包括建筑物提取、道路提取、地块分类、水体识别、树冠检测、车辆检测等。

不同任务对应的样本类型、标注方式和模型参数都不一样。如果任务没有定义清楚，后面制作的样本库很可能无法训练出可用模型。

在 ArcGIS Pro 中，常用流程可以概括为：

1. 准备遥感影像或正射影像。
2. 建立训练样本标注图层。
3. 使用深度学习标注工具制作样本。
4. 导出训练数据。
5. 训练深度学习模型。
6. 使用模型进行目标检测、像素分类或对象分类。
7. 检查结果并补样本、重训模型。

背景：ArcGIS深度学习适合解决哪些GIS问题

ArcGIS 深度学习主要用于从影像、栅格或点云等数据中自动识别目标。对 GIS 用户来说，它的价值不是替代全部人工判读，而是把重复性强、规则相对稳定的识别工作自动化。

比较典型的应用场景有：

• 建筑物提取：从高分辨率影像中提取建筑物轮廓。
• 道路识别：识别道路中心线或道路面。
• 地物分类：把影像像元分为水体、植被、裸地、建设用地等类别。
• 目标检测：检测车辆、船只、油罐、光伏板等具体目标。
• 变化监测：结合多期影像识别新增建设、土地覆盖变化等。

但要注意，ArcGIS 深度学习效果高度依赖样本库质量。影像分辨率、标注一致性、样本数量、类别平衡、地物差异都会影响最终结果。

原理：样本库为什么决定ArcGIS深度学习效果

深度学习模型本质上是从样本中学习“影像特征”和“标签结果”之间的关系。样本库就是告诉模型：什么样的纹理、颜色、形状、阴影和空间结构应该被识别为某一类对象。

例如做建筑物提取时，模型并不知道“建筑物”是什么。它只能从你标注的屋顶边界、颜色变化、阴影特征和空间形态中学习规律。如果样本中只标了规整小区楼房，模型遇到厂房、农村房屋、彩钢棚时就容易漏检。

ArcGIS 深度学习样本库通常包含三类内容：

• 原始影像切片：从遥感影像中裁切出的训练图片。
• 标签数据：表示目标位置或类别的标注结果。
• 元数据文件：记录类别、切片大小、坐标参考、训练格式等信息。

不同任务的标签形式不同：

任务类型	样本标注方式	适合场景
目标检测	矩形框标注	车辆、船只、树木、光伏板等单体目标识别
像素分类	面状或栅格类别标注	水体、植被、建设用地、裸地等地物分类
实例分割	精确面状轮廓标注	建筑物轮廓、地块边界、单株树冠等
对象分类	已有对象加类别字段	对图斑、地块、建筑物对象进行分类

步骤：ArcGIS深度学习怎么做

步骤一：准备可用于训练的影像数据

建议使用经过几何校正、投影统一、云雾较少、分辨率稳定的影像。影像质量越稳定，模型越容易学习到有效特征。

准备影像时重点检查：

• 影像是否有正确坐标系。
• 不同影像之间分辨率是否一致或接近。
• 是否存在明显拉伸、错位、黑边、云雾和拼接缝。
• 影像是否覆盖足够多的目标类型和背景类型。
• 训练区和未来应用区的影像来源是否相似。

如果训练影像是无人机正射影像，而应用影像是卫星影像，模型效果通常会明显下降，因为两者的视角、分辨率和纹理特征差异较大。

步骤二：确定深度学习任务类型

在制作样本库前，先判断你的任务属于哪一种。这个判断会直接影响标注方式和导出训练数据格式。

• 如果目标是“找出每一辆车在哪里”，优先考虑目标检测。
• 如果目标是“把每个像元分成水体或非水体”，优先考虑像素分类。
• 如果目标是“提取每栋建筑物的准确边界”，优先考虑实例分割。
• 如果目标是“给已有地块图斑判断种植类型”，可以考虑对象分类。

很多初学者会把所有任务都当成目标检测处理，这是常见误区。比如建筑物提取如果只用矩形框，得到的是框，不是建筑物轮廓；如果项目需要面状边界，就应该使用面状标注或实例分割思路。

步骤三：在ArcGIS Pro中创建标注样本

ArcGIS Pro 中可以使用深度学习相关工具和影像标注工作流制作训练样本。实际操作时，一般先创建一个要素类作为标签图层，再在影像上逐个标注目标。

建议样本图层至少包含以下字段：

字段名	用途	示例
ClassName	类别名称	Building、Water、Road
ClassValue	类别编码	1、2、3
Remark	备注	阴影建筑、疑似水体

制作样本时要遵循统一标准。比如建筑物标注，是只标屋顶，还是标建筑物占地轮廓？道路标注，是标道路面，还是标中心线？这些规则要在项目开始时固定下来。

步骤四：样本库如何制作才更可靠

ArcGIS 深度学习样本库制作的核心不是“越多越好”，而是“覆盖充分、标注准确、类别均衡、边界一致”。建议按以下原则制作。

• 覆盖不同场景：城区、郊区、农村、工业区、山区等都应有样本。
• 覆盖不同外观：同一类目标可能有不同颜色、大小、形状和纹理。
• 覆盖困难样本：阴影、遮挡、相似背景、边界模糊区域都要适当加入。
• 加入负样本：容易误判的非目标区域也要覆盖，例如把停车棚误判成建筑物。
• 保证标注一致：同类对象边界标准必须统一，不能一部分精细、一部分粗略。

如果是目标检测任务，矩形框应尽量贴近目标，不要包含过多背景。如果是像素分类任务，类别边界要尽量准确，尤其是水陆交界、道路边缘、建筑物阴影附近。

样本库质量检查的一个简单方法是：随机抽取几十个样本，让另一个人按照同一规则检查。如果他无法判断你的标注标准，说明样本规范还不够清楚。

步骤五：导出训练数据

样本标注完成后，需要使用 ArcGIS Pro 的导出训练数据工具，将影像和标签切分成深度学习框架可读取的训练数据。常见参数包括切片大小、步长、影像格式、元数据格式和类别字段。

参数设置建议如下：

参数	建议	说明
切片大小	根据目标尺度选择	目标较小可用较小切片，场景复杂可适当增大
步长	小于或等于切片大小	步长越小，重叠越多，样本数量越多
类别字段	使用稳定的类别编码字段	避免用临时备注字段作为类别来源
输出格式	按模型类型选择	目标检测、像素分类、实例分割格式不同

导出后不要急着训练，先检查输出文件夹。确认是否生成了影像切片、标签文件和说明文件，并随机打开几张切片检查标签位置是否正确。

步骤六：训练ArcGIS深度学习模型

训练模型时，需要选择合适的模型类型，并设置训练轮数、批大小、学习率等参数。初学者不建议一开始就大幅修改参数，可以先使用默认或推荐值跑通流程。

训练前建议确认：

• ArcGIS Pro 的深度学习库是否安装完整。
• 显卡驱动和深度学习环境是否可用。
• 训练数据路径不要包含过多特殊字符。
• 训练样本数量是否足够支撑当前类别数。
• 训练集和验证集是否合理划分。

训练过程中要观察损失值和验证结果。如果训练损失下降但验证效果很差，可能是过拟合；如果训练损失一直不下降，可能是样本标注、类别配置或学习率设置有问题。

步骤七：应用模型并检查结果

模型训练完成后，可以在 ArcGIS Pro 中使用深度学习推理工具对新影像进行识别。输出结果可能是栅格分类图、目标框、面状要素或概率结果，具体取决于任务类型。

检查结果时不要只看局部效果，要从以下几个角度验证：

• 目标是否有明显漏检。
• 非目标区域是否被误检。
• 边界是否偏移或破碎。
• 不同地貌、不同影像亮度下效果是否稳定。
• 训练区以外区域是否仍然可用。

如果结果不理想，通常不是简单调一个参数就能解决，而是要回到样本库，补充模型识别失败的典型场景。

常见坑：ArcGIS深度学习样本库制作容易出错的地方

坑一：只标目标，不标容易混淆的背景

例如做水体识别时，只标清澈水面，不标阴影、深色屋顶、湿地、鱼塘边缘，模型很容易把深色区域都识别成水体。负样本和困难背景是样本库的重要组成部分。

坑二：样本集中在一个区域

如果建筑物样本全部来自一个小区，模型可能只适应该小区的屋顶颜色和形态。换到农村、工业园或老城区后，漏检和误检都会增加。

坑三：标注边界标准不一致

同样是建筑物，有的标到屋檐，有的标到阴影，有的只标主体屋顶，这会让模型学到混乱边界。样本库制作前必须先写清楚标注规范。

坑四：类别数量太多但样本太少

初学者常希望一次区分很多类别，例如水体、草地、林地、耕地、道路、建筑物、裸地、阴影等。但如果每个类别样本都很少，模型难以稳定学习。建议先从少量核心类别开始。

坑五：影像预处理前后不一致

训练时使用经过增强、裁剪或重采样的影像，推理时却使用未经处理的原始影像，可能导致模型表现不稳定。训练数据和应用数据应尽量保持一致的分辨率、波段组合和显示特征。

方法比较：ArcGIS深度学习、传统监督分类和人工解译怎么选

方法	适合情况	优点	限制
ArcGIS深度学习	目标形态复杂、样本较多、需要批量自动识别	能学习纹理、形状和上下文特征	依赖样本库和计算环境，调试成本较高
传统监督分类	类别光谱差异明显、影像波段信息较好	流程简单，解释性较强	对复杂目标轮廓和高分辨率纹理利用有限
人工解译	范围小、精度要求高、目标复杂且样本不足	判断灵活，结果可控	效率低，难以大范围重复生产
规则提取	目标特征明确，例如阈值、坡度、高程条件明显	实现快，参数可解释	泛化能力弱，复杂场景容易失效

如果项目是小范围高精度制图，人工解译可能更稳。如果项目需要在大范围影像中反复提取同类目标，并且能投入样本制作成本，ArcGIS 深度学习更值得尝试。

检查清单：训练前先核对这些内容

• 是否明确了任务类型：目标检测、像素分类、实例分割或对象分类。
• 训练影像和应用影像的分辨率、波段、坐标系是否一致或接近。
• 样本标注规则是否写清楚，并且所有标注人员执行一致。
• 每个类别是否有足够样本，是否存在严重类别不平衡。
• 是否包含阴影、遮挡、边界模糊、相似背景等困难样本。
• 是否检查过导出的训练切片和标签是否对齐。
• 训练集和验证集是否来自不同位置或不同影像块，避免只验证重复场景。
• 模型推理结果是否经过人工抽查和误差分析。
• 是否记录了样本版本、训练参数和模型输出路径，方便复现。

FAQ：ArcGIS深度学习样本库制作常见问题

ArcGIS深度学习需要多少样本才够？

没有固定数量。样本是否够用取决于目标复杂度、影像分辨率、类别数量和场景差异。简单目标、场景单一时样本需求较少；复杂目标、跨区域应用时需要更多样本。建议先制作一版小样本库跑通流程，再根据误检和漏检结果补充样本。

样本库是不是越大越好？

不是。大量低质量样本会降低模型效果。相比数量，更重要的是标注准确、类别均衡、场景覆盖充分。重复标注同一种简单场景，提升有限；补充模型容易出错的场景更有价值。

ArcGIS深度学习样本可以用已有矢量数据吗？

可以，但要先检查已有矢量数据和影像是否对齐。如果建筑物矢量边界与影像屋顶明显错位，直接作为样本会让模型学习到错误标签。使用历史矢量数据时，还要检查地物是否已经发生变化。

做建筑物提取应该用目标检测还是实例分割？

如果只需要知道建筑物大概位置，可以使用目标检测；如果需要建筑物轮廓面，建议使用实例分割或面状标注方式。项目成果要求决定样本制作方式，不要只根据工具是否好用来选择。

为什么训练结果在样本区很好，换一个区域就变差？

这通常说明样本库泛化不足。样本可能只覆盖了单一地区、单一影像来源或单一目标形态。解决方法是补充不同区域、不同地貌、不同光照和不同目标外观的样本，并重新训练模型。

导出训练数据后一定要检查吗？

一定要检查。很多问题发生在导出阶段，例如标签字段选错、切片与标注错位、类别编码不一致、空白切片过多等。如果不检查，后面训练失败也很难定位原因。

结论：ArcGIS深度学习的关键是样本库质量

ArcGIS 深度学习的完整流程并不复杂：准备影像、制作样本库、导出训练数据、训练模型、应用模型、检查结果。但真正决定效果的，是样本库是否可靠。

如果你刚开始做 ArcGIS 深度学习，建议不要一开始就追求复杂模型。先选一个明确任务，制作一套小而规范的样本库，跑通训练和推理流程，再根据错误结果持续补样本。这样比盲目堆参数、换模型更有效。

简单记住一句话：模型能学到什么，取决于样本库告诉了它什么。把样本库做好，ArcGIS 深度学习才有稳定产出的基础。