¿Cuáles son algunas de las causas del error 999999 al realizar análisis con aprendizaje profundo?

Respuesta

En ArcGIS Pro, el error 999999 se puede devolver por varios motivos al realizar análisis con aprendizaje profundo. Las causas comunes y las sugerencias para resolver este error son las siguientes.

1. La instalación del marco de aprendizaje profundo es necesaria para la mayoría de las funciones del aprendizaje profundo. Es importante hacer coincidir la versión del instalador con su versión de ArcGIS Pro. Descargue la versión adecuada del marco en el siguiente enlace: Instaladores de bibliotecas de aprendizaje profundo para ArcGIS
2. Pruebe con datos de muestra; se recomienda el entrenamiento de detección de palmeras.Esta muestra de entrenamiento evalúa la salud de las palmeras y tiene dos propósitos.En primer lugar, ayuda a garantizar que el software esté instalado correctamente para ejecutar el proceso y, en segundo lugar, le permite familiarizarse con este complejo análisis.
3. Al definir los parámetros de entorno para la herramienta Detectar objetos con aprendizaje profundo, defina el entorno Factor de procesamiento en paralelo solo si Tipo de procesador está establecido en CPU. No es necesario definir el entorno Factor de procesamiento en paralelo si Tipo de procesador está definido como GPU. De forma predeterminada, las herramientas del conjunto de herramientas Aprendizaje profundo utilizan el procesamiento GPU para realizar análisis. Consulte ArcGIS Pro: Descripción general del conjunto de herramientas Aprendizaje profundo para obtener más información. Consulte también No se puede ejecutar la herramienta Detectar objetos con aprendizaje profundo en ArcGIS Pro
4. Asegúrese de que el formato de las imágenes coincida con aquel en el que se recopilaron las muestras de entrenamiento; por ejemplo, .tif frente a .jpg. La profundidad de bits y el número de bandas para los datos donde se recopilaron las muestras de entrenamiento también deben coincidir con los parámetros de la imagen que se está analizando.
5. Si las imágenes utilizadas para recopilar las muestras de entrenamiento no son de la misma región o área que la imagen a la que se aplican las muestras de entrenamiento, es posible que se produzca un error en el análisis.Por ejemplo, no sería aconsejable recopilar muestras de entrenamiento alrededor de Palm Springs, California, que es un desierto, y luego tratar de aplicar esas muestras de entrenamiento a imágenes del estado de Florida. Aunque existen características comunes en ambos lugares, como las palmeras, Florida es mucho más húmeda que Palm Springs y la humedad ambiental puede tener un efecto profundo en los resultados del análisis.
6. Si intenta usar menos de diez muestras de entrenamiento, aparecerá el error BUG-000168623 que prohíbe dividir por cero. Se debe aplicar la regla de los diez. Cada grado de libertad del análisis —es decir, cada tipo de entidad que se busca— debe multiplicarse por diez para calcular un número razonable de muestras de entrenamiento necesarias para el análisis.
   Por ejemplo, para localizar plataformas de pozos, se necesitan al menos diez muestras de entrenamiento de plataformas de pozos de la imagen original. Al identificar cuatro tipos de características en un proceso de clasificación, se necesitan al menos 40 muestras de entrenamiento, diez para cada tipo de entidad.