企业官网建设流程全解析

从ArcGIS Pro 2.5开始在GIS圈里聊深度学习，其实是一件挺微妙的事。这个版本刚好卡在“传统GIS分析”和“真正能落地的深度学习推理”之间——你敢用它干活，它也敢给你埋一堆坑。我当时拿它跑目标检测，前前后后折腾了一周多，才把环境、数据、模型、推理这条链路彻底跑通。如果你手头正好是ArcGIS Pro 2.5，或者正准备用这套工具链跑深度学习，那我这篇实操笔记应该能帮你少走不少弯路。

先说清楚这个版本能做什么：ArcGIS Pro 2.5内置了面向栅格和影像的深度学习工具，支持像素分类（分割）、目标检测、对象分类三大类任务。你不需要自己去写完整的训练推理框架，但你必须懂一点Python、懂一点深度学习模型的基本结构，否则出了问题你根本不知道去哪里查。这篇文章我会按照“核心机制 → 环境配置 → 实操流程 → 问题排查”这个顺序展开，全程都是我自己实测过的路径，适合刚入门遥感深度学习、被工具报错折腾到头疼的GIS从业者。

1. 先搞懂ArcGIS Pro 2.5里的深度学习是怎么跑的

1.1 它不是“一键式”工具箱，而是一条需要手动串起来的链

很多用户第一次接触ArcGIS Pro 2.5的深度学习，都会产生一个错觉：这玩意儿跟“缓冲区分析”一样，填个参数点个确定就出结果了。真不是。ArcGIS Pro的深度学习本质上是一个外部框架调用器——它把PyTorch或TensorFlow训练好的模型，通过Python环境桥接成GP工具能识别的格式，然后调用显卡做推理。

我后来把这条链拆开看，发现核心环节其实有四个：模型训练、模型打包、模型导入、模型推理。训练你可以完全在PyTorch里做，不一定要用Esri的东西；但打包和导入就有讲究了，Esri定义了自己的模型描述文件，叫做EMD（Esri Model Definition），你的模型结构、权重路径、输入输出参数、颜色映射全写在这个JSON文件里。ArcGIS Pro 2.5的推理工具就是靠读EMD才知道“该用什么架子去加载你的模型”。

说得再直白一点：你在PyTorch里训练好的.pth模型文件，ArcGIS Pro自己是不认的，它必须通过EMD文件帮你把模型“翻译”成自己能调用的格式。这也是我在2.5上摸了好几天才琢磨明白的点。很多人拿着一个.pth就往“使用深度学习分类像素”里塞，结果报错都不知道错在哪。

1.2 三种文件格式搞不清，后面全白干

在ArcGIS Pro 2.5的深度学习工作流里，有几种文件格式你一定会碰到，我们一个个过一遍：

这里最容易踩的坑是：很多教程会让你直接用“.dlpk转.emd”的工具，但2.5版本的“管理深度学习模型包”工具有时候会挑环境，如果你用的是非默认Python环境，转换可能静默失败。我的建议是：如果只是想本地跑通流程，直接用.emd + .pth的路径就够了，没必要非得打包成.dlpk再去拆，那是给别人分发模型才需要的步骤。

还有一个很实际的问题：EMD文件里的“Framework”字段决定你用哪个框架加载。如果你模型是用PyTorch训练的，EMD里写的是“PyTorch”，那ArcGIS Pro启动时会去找PyTorch环境；如果写的“TensorFlow”，它就会去找TensorFlow。框架写错了，工具不会主动提醒你，而是直接报一个“无法加载模型”的笼统错误，排查的时候非常浪费时间。

2. 动手前先把环境弄明白，否则后面全是坑

2.1 Python环境与GPU版本的匹配，是2.5的重灾区

ArcGIS Pro 2.5默认自带了一个conda环境，叫做arcgispro-py3，Python 3.6起步。这个环境里已经装好了arcpy、numpy、pandas这些常用库，但要跑深度学习，你还得自己装PyTorch或者TensorFlow的GPU版。这里我强烈建议你不要直接在默认环境里装，而是克隆出一个新环境，比如叫arcgispro-deep：

# 在ArcGIS Pro的Python命令提示符里执行 conda create -n arcgispro-deep --clone arcgispro-py3 conda activate arcgispro-deep

为什么一定要克隆？因为ArcGIS Pro主程序的很多工具依赖arcgispro-py3的库版本，你直接往里面装个新版本的PyTorch，很大概率会把numpy或者scipy的依赖搞乱，最后连普通的分析工具都跑不了。我身边有位同事不听劝直接装，结果整个Pro启动都报错，最后只能重装软件，血的教训。

装深度学习框架的时候要注意，2.5版本对PyTorch的支持是通过arcgis.learn模块实现的，实测下来PyTorch 1.6.0配CUDA 10.2这个组合相对稳定。TensorFlow方面，2.5自带的示例模型大多是TensorFlow 1.x版本训练的，如果你装2.x再加载老模型，十有八九会撞上“AttributeError: module 'tensorflow' has no attribute 'Session'”这种经典报错。所以如果你主要用官方示例模型，最好把TensorFlow锁在1.13.1到1.15之间，别手滑装了2.0版本。

2.2 几个全局变量不改，工具会一直报错

ArcGIS Pro 2.5的深度学习工具在启动时会读取几个环境变量，用来定位Python解释器和相关依赖库。默认情况下，这些变量指向的是arcgispro-py3环境，如果你换了克隆环境而不改变量，工具根本找不到你装的PyTorch。

我当时解决的方式是在“系统属性—环境变量”里手动加了几项：

• PROUSERPROFILE：指向C:\Users\你的用户名\Documents\ArcGIS\Profile
• ARCGIS_PRO_PYTHON：指向你克隆环境的python.exe路径
• ARCGIS_PRO_PYTHONHOME：指向克隆环境的根目录
• ARCGIS_PRO_PYTHONPATH：指向克隆环境里的Lib\site-packages

改完之后一定要重启ArcGIS Pro，而且最好把后台的arcgis进程全部杀掉再开，不然环境变量不生效。我实测过很多次，这一步没做到位，后续跑“训练深度学习模型”或者“使用深度学习分类像素”的时候，就会出现“ImportError: No module named arcgis.learn”或者“ModuleNotFoundError: No module named 'torch'”这类问题。这些报错看起来像是环境没装好，其实只是ArcGIS Pro没有读到你的克隆环境。

2.3 GPU与推理精度：显存不够就别硬扛

目标检测和图像分割在遥感影像上跑，数据量是非常夸张的。拿我跑过的某市建筑物检测来说，一幅0.1米分辨率的DOM分幅之后，每个推理瓦片512×512像素，一张图光是显存占用就到6GB以上。如果你用的显卡显存只有8GB，batch_size稍微设大一点就直接CUDA out of memory。

我的建议是：推理时把batch_size从默认的4降到1或2，不要一开始就追求吞吐量。ArcGIS Pro 2.5的深度学习工具不会自动帮你减小batch_size以适配显存，它只会把报错抛给你。另外尽量别同时开着ArcGIS Pro的3D视图和深度学习推理任务，这两者的GPU显存是竞争关系，我曾经因为开了个局部3D缓存窗口，导致推理任务跑了一半直接崩了。

3. 完整实操：目标检测从训练数据到推理

3.1 数据准备：从标注到EIF中间格式

目标检测任务里，“标注数据”是一切的基础。用ArcGIS Pro 2.5跑目标检测，先要用“训练样本管理器”创建面要素，把你要检测的目标（比如车辆、建筑物、光伏板）逐个画框。这里有个建议：标注框不要画太大，尽量紧贴目标轮廓，因为后面“导出训练数据”会按照标注框做裁剪和缩放，如果框本身不精确，模型学到的特征就不干净。

标注完成后，用“导出训练数据进行深度学习”工具把面要素和底图影像转成模型能读的格式。在2.5版本里，这个工具的输出是**.eif格式的中间文件夹**，而不是一堆零散的图片+标签。它会在你的输出目录下面生成一个类似于“exported”的文件夹，里面是打包好的训练数据、标签映射文件和元信息。

这里有一个重要细节：进行导出前，一定要在“环境”选项卡里设置合适的“像元大小”。如果你底图是0.1米分辨率，导出时被系统自动重采样成1米，你后面训练出来的模型等于是在看“马赛克”里找目标，精度直接崩盘。我自己一般会让“Cell Size”保持与原始影像一致，或者按目标大小折算——目标在影像上最少占20×20像素，低于这个阈值就不要指望检测出来。

3.2 训练配置：参数不是越大越好

训练阶段可以用“训练深度学习模型”工具，也可以完全在PyTorch里写脚本。如果走工具路线，2.5版本支持选择模型架构，目标检测任务里常用的有Faster R-CNN、SSD、YOLO，遥感场景下我试下来Faster R-CNN的稳定性和精度平衡最好，SSD速度快但小目标漏检严重。

几个训练参数，我给你的建议如下：

• batch_size：默认8，如果你的显卡只有8GB显存，请老老实实改成4甚至2。训练比推理更吃显存，因为反向传播要保存中间梯度。
• max_epochs：初次训练建议30起步，不要只跑5个epoch就来看结果。遥感影像背景复杂，模型收敛比自然图像慢得多，我经常要跑到40个epoch以上，loss才会进入平稳区。
• learning_rate：默认是1e-3，如果你发现loss震荡不降，先调小到3e-4，不要一上来就乱动结构。
• validation：建议勾选并预留20%的样本做验证，这样你还能顺便看下每个epoch的验证精度。

还有一个细节很容易被忽略：训练前把随机种子固定住。ArcGIS Pro 2.5的深度学习工具没有直接暴露随机种子参数，但我习惯在克隆环境的sitecustomize.py里写死随机种子，这样每次训练结果可复现，排查问题的时候不会因为“这次结果和上次不一样”而误判是代码问题还是数据问题。

# sitecustomize.py 示例 import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) if torch.cuda.is_available(): torch.cuda.manual_seed_all(42)

3.3 推理阶段：留一点“padding”给边缘目标

训练出模型之后，真正落到业务上的环节就是“使用深度学习检测对象”。这个工具有几个参数我每次都要重点检查：

• padding：默认是0，实测下来很容易导致影像边缘的目标被裁掉。你应该根据检测目标尺寸设置一个padding值，比如50像素，让模型推理每个瓦片时能看到周围上下文，边缘目标的召回率会明显上升。
• batch_size：推理时的batch_size可以比训练稍大，但你依然要盯着显存，建议4以内。
• nms_overlap：非极大值抑制的IOU阈值，默认0.1。如果你发现同一个目标输出了一大堆重叠框，把这个值调到0.2或0.3。
• score_threshold：置信度阈值，默认0.5。如果检测结果里有大量误检框，往上调一点到0.6或0.7；如果漏检多，就往下调到0.3-0.4。

推理输出的时候，我习惯先只跑一小块测试区看看效果，而不是直接全图跑。因为全图推理时间很长，万一参数没调好，白白等几个小时才崩溃就太亏了。切一块包含目标密集区域和背景复杂区域的小样区先跑一遍，观察检测框与真实目标的贴合程度，确认无误后再全图推理。

4. 踩坑排查：这些问题我基本都遇到过

4.1 四个高频报错的定位与处理

我把自己和身边人踩过的坑汇总成了表格，你在2.5里跑深度学习遇到问题，可以先对照着看：

这里重点展开一下**“初始化权重文件失败”**。这种情况通常不是你模型坏了，而是EMD文件里的模型类型和PyTorch脚本里定义的网络结构名称对不上。ArcGIS Pro加载PyTorch模型时，会根据EMD里的“ModelType”去找对应的网络类，如果你改过模型结构输出层、改了类别数，但EMD里没同步改，就会直接初始化失败。解决办法是检查EMD里的“ClassCount”字段是否等于你的真实类别数，以及“ModelType”是否和训练脚本里注册的类名一致。

4.2 结果不对时的几个检查点

模型能跑通、但检测结果里“框的位置偏了半个图”，这种情况在2.5里也不少。我之前遇到过一拍影像检测出的目标整体向北偏移了几百米，排查了半天，发现是推理时输入影像发生了重投影，而标注框的坐标信息没有对应更新。所以你在做推理之前，要确认输入栅格与训练样本的坐标系一致，最好的办法是直接对原始影像的坐标信息做检查，而不是依赖工具自动处理。

另一个常见的“结果不对”是输出全部为背景。这种时候优先去检查“导出训练数据”时生成的统计信息——如果背景样本占了99%、目标只占1%，模型完全可能学到“全部输出为背景”。解决思路有两个：一是增加正样本数量，二是对目标过少的样本做数据增强，比如旋转、翻转、亮度扰动，让模型有更多机会见到目标类。

再补充一个比较隐蔽的点：ArcGIS Pro 2.5“导出训练数据进行深度学习”工具一旦中途取消，会在临时目录里留下残留文件，下次再跑同样的导出任务，工具有时会直接读取残留的缓存，导致新导出的数据里混入上次的旧样本。我建议每次导出前清空输出目录，或者换一个新的输出路径，不要让旧文件干扰新数据。

最后聊一下我自己的一点体会。ArcGIS Pro 2.5的深度学习功能，放在今天来看确实不够智能，报错信息也很模糊，但它的价值在于：它第一次让常规GIS用户能够在熟悉的桌面环境里完成“影像→训练数据→模型→应用”的闭环。你不需要去写很底层的网络代码，只要环境配好、参数合理、数据规范，就能把深度学习真正用到业务里。如果你打算长期在这个方向深入，建议后续还是要把PyTorch的基本功底打牢，因为ArcGIS Pro的工具只是帮你封装了流程，真正要对结果负责、要调优模型的，始终是你自己。