Quais são algumas das causas do erro 999999 ao realizar a análise de deep learning?

Resposta

No ArcGIS Pro, o erro 999999 pode ser retornado por vários motivos ao executar a análise com deep learning. As causas comuns e sugestões para resolver esse erro são as seguintes.

1. A instalação da estrutura de trabalho de deep learning é necessária para a maioria das funções de deep learning. É importante corresponder a versão do instalador à sua versão do ArcGIS Pro: baixe a versão apropriada da estrutura de trabalho no seguinte link: Instaladores das bibliotecas de deep learning para o ArcGIS
2. Teste com dados de amostra, o treinamento de detecção de palmeiras é recomendado.Esta amostra de treinamento avalia a saúde das palmeiras e serve a dois propósitos.Primeiro, ajuda a garantir que o software seja instalado corretamente para executar o processo e, segundo, permite que você se familiarize com essa análise complexa.
3. Ao definir os parâmetros de ambiente para a ferramenta Detectar Objetos Usando Aprendizagem Detalhada, defina o ambiente Fator de Processamento Paralelo apenas se Tipo de Processador estiver definido como CPU. Não há necessidade de definir o ambiente de Fator de Processamento Paralelo se Tipo de Processador estiver definido como GPU. Por padrão, as ferramentas no conjunto de ferramentas de Aprendizagem Detalhada usam processamento de GPU para executar análises. Consulte ArcGIS Pro: uma visão geral do conjunto de ferramentas de deep learning para mais informações. Veja também: Não foi possível executar a ferramenta Detectar objetos usando deep learning no ArcGIS Pro
4. Certifique-se de que o formato das imagens corresponda ao local em que as amostras de treinamento foram coletadas, .tif vs. .jpg por exemplo. O tamanho do bit e o número de bandas para os dados em que as amostras de treinamento foram coletadas também devem corresponder aos parâmetros da imagem que está sendo analisada.
5. Se as imagens usadas para coletar as amostras de treinamento não forem da mesma região ou área que a imagem na qual as amostras de treinamento estão sendo aplicadas, a análise poderá falhar.Por exemplo, seria desaconselhável coletar amostras de treinamento em Palm Springs, Califórnia, que é um deserto, e tentar aplicar essas amostras de treinamento a imagens no estado da Flórida. Embora existam características comuns em ambos os lugares, como palmeiras, a Flórida é muito mais úmida do que Palm Springs e a umidade ambiental pode ter um efeito profundo nos resultados da análise.
6. Se você tentar usar menos de dez amostras de treinamento, encontrará o BUG-000168623, que proíbe a divisão por zero. A regra de dez deve ser aplicada. Cada grau de liberdade na análise - o número de tipos de recursos que estão sendo pesquisados - deve ser multiplicado por dez para calcular um número razoável de amostras de treinamento necessárias para a análise.
   Por exemplo, para localizar plataformas de poços, são necessárias pelo menos dez amostras de treinamento de plataformas de poços obtidas da imagem original. Ao identificar quatro tipos de feições em um processo de classificação, são necessárias pelo menos 40 amostras de treinamento, dez para cada tipo de feição.