دوال الاستدعاء
يدعم إطار عمل Ultralytics الاستدعاءات الراجعة، وهي نقاط دخول في المراحل الرئيسية لأوضاع train وval وpredict وexport. يقبل كل استدعاء راجع كائنًا من نوع Trainer أو Validator أو Predictor أو Exporter، وفقًا لنوع العملية.
شاهد: كيفية استخدام عمليات الاستدعاء في Ultralytics | عمليات الاستدعاء للتنبؤ والتدريب والتحقق والتصدير | Ultralytics YOLO26 🚀
أمثلة#
إرجاع معلومات إضافية مع التنبؤ#
يعيد هذا المثال الإطار الأصلي مع كل كائن نتيجة:
from ultralytics import YOLO
def on_predict_batch_end(predictor):
"""Combine prediction results with corresponding frames."""
_, image, _ = predictor.batch
# تأكّد من أن image قائمة
image = image if isinstance(image, list) else [image]
# ادمج نتائج التنبؤ مع الإطارات المقابلة
predictor.results = zip(predictor.results, image)
# أنشئ مثيلًا من نموذج YOLO
model = YOLO("yolo26n.pt")
# أضف استدعاءك المخصّص إلى النموذج
model.add_callback("on_predict_batch_end", on_predict_batch_end)
# كرّر النتائج والإطارات
for result, frame in model.predict(): # أو model.track()
passتسجيل خطافات PyTorch الأمامية قبل التدريب#
تنشئ model.train() نموذج تدريب من تهيئة النموذج وتنقل إليه الأوزان المحمّلة. وتُعدّ خطافات PyTorch المسجّلة مباشرةً على model.model قبل هذا الاستدعاء حالة وقت تشغيل، ولذلك لا يرثها نموذج التدريب المُعاد إنشاؤه. سجّل خطافات التدريب في on_pretrain_routine_end بعد اكتمال إعداد النموذج:
from ultralytics import YOLO
from ultralytics.utils.torch_utils import unwrap_model
def preprocess_input(module, inputs):
"""Center each input channel before the first model layer."""
images = inputs[0]
return (images - images.mean(dim=(-2, -1), keepdim=True),)
def register_forward_pre_hook(trainer):
"""Attach preprocessing to the active training model."""
train_model = unwrap_model(trainer.model)
train_model.model[0].register_forward_pre_hook(preprocess_input)
model = YOLO("yolo26n.pt")
model.add_callback("on_pretrain_routine_end", register_forward_pre_hook)
model.train(data="coco8.yaml", epochs=1)تتعامل unwrap_model() مع التدريب على جهاز واحد والتدريب باستخدام DistributedDataParallel. لا تربط خطافًا معرّفًا محليًا بـtrainer.ema.ema، لأن نقاط التحقق التدريبية تحفظ نموذج EMA، وقد لا تتمكن عملية أخرى من استيراد دالة الاستدعاء عند تحميل نقطة التحقق. إذا كان يجب تنفيذ المعالجة المسبقة نفسها أثناء التحقق من التدريب، فنفّذها بوصفها مكوّنًا قابلًا للاستيراد ضمن النموذج بدلًا من خطاف وقت تشغيل. تعيد معالجة NaN بناء EMA من نموذج التدريب، لذا يُنسخ الخطاف المسجّل بهذه الطريقة إلى EMA ونقاط التحقق المحفوظة بعد الاستعادة؛ عرّف دالة الخطاف في وحدة قابلة للاستيراد إذا كان يجب تحميل نقاط التحقق في عملية أخرى.
تنسخ model.val() المستقلة النموذج المحمّل عند كل استدعاء. ينشئ التنبؤ نسخةً ويخزّنها مؤقتًا عند أول استدعاء، لذا سجّل الخطافات على model.model قبل أول استدعاء لـmodel.predict() أو model.track()؛ فالخطافات المضافة بعد ذلك لا تصل إلى المتنبئ المخزّن مؤقتًا. أعد تسجيل خطافات وقت التشغيل بعد تحميل نقطة تحقق في عملية جديدة.
الوصول إلى مقاييس النموذج باستخدام استدعاء on_model_save#
يوضح هذا المثال كيفية استرجاع تفاصيل التدريب، مثل best_fitness وtotal_loss والمقاييس الأخرى، بعد حفظ نقطة تحقق باستخدام استدعاء on_model_save.
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.pt")
def print_checkpoint_metrics(trainer):
"""Print trainer metrics and loss details after each checkpoint is saved."""
print(
f"Model details\n"
f"Best fitness: {trainer.best_fitness}, "
f"Loss names: {trainer.loss_names}, " # List of loss names
f"Metrics: {trainer.metrics}, "
f"Total loss: {trainer.tloss}" # Total loss value
)
if __name__ == "__main__":
# Add on_model_save callback.
model.add_callback("on_model_save", print_checkpoint_metrics)
# Run model training on custom dataset.
results = model.train(data="coco8.yaml", epochs=3)جميع عمليات الاستدعاء#
فيما يلي جميع عمليات الاستدعاء المدعومة. لمزيد من التفاصيل، راجع الشيفرة المصدرية لعمليات الاستدعاء.
عمليات استدعاء المدرّب#
| استدعاء | الوصف |
|---|---|
on_pretrain_routine_start | يُفعّل في بداية إجراء ما قبل التدريب، قبل تحميل البيانات وإعداد النموذج. |
on_pretrain_routine_end | يُفعّل في نهاية إجراء ما قبل التدريب، بعد اكتمال تحميل البيانات وإعداد النموذج. |
on_train_start | يُفعّل عند بدء التدريب، قبل بدء حقبة التدريب الأولى. |
on_train_epoch_start | يُفعّل في بداية كل حقبة تدريب، قبل بدء التكرار على الدُفعات. |
on_train_batch_start | يُفعّل في بداية كل دفعة تدريب، قبل المرور الأمامي. |
optimizer_step | يُفعّل أثناء خطوة المحسِّن. مخصّص للتكاملات المخصّصة؛ ولا تستدعيه حلقة التدريب الافتراضية. |
on_before_zero_grad | يُفعّل قبل تصفير التدرجات. مخصّص للتكاملات المخصّصة؛ ولا تستدعيه حلقة التدريب الافتراضية. |
on_train_batch_end | يُفعّل في نهاية كل دفعة تدريب، بعد المرور الخلفي. وقد تُؤجّل خطوة المحسِّن بسبب تراكم التدرجات. |
on_train_epoch_end | يُفعّل في نهاية كل حقبة تدريب، بعد معالجة جميع الدُفعات ولكن قبل التحقق. وقد لا تكون مقاييس التحقق والملاءمة متاحة بعد. |
on_model_save | يُفعّل عند حفظ نقطة تحقق النموذج، بعد التحقق. |
on_fit_epoch_end | يُفعّل في نهاية كل حقبة ملاءمة (تدريب + تحقق)، بعد التحقق وحفظ أي نقطة تحقق. تكون مقاييس التحقق متاحة، وتكون قيمة الملاءمة متاحة لاستدعاء التدريب لكل حقبة. ويُستدعى هذا الاستدعاء أيضًا أثناء التقييم النهائي لأفضل نموذج، حيث لا تُحفظ أي نقطة تحقق وقد لا تكون قيمة الملاءمة متاحة. |
on_train_end | يُفعّل عند انتهاء عملية التدريب، بعد التقييم النهائي لأفضل نموذج. |
on_params_update | يُفعّل عند تحديث معلمات النموذج. مخصّص للتكاملات المخصّصة؛ ولا تستدعيه حلقة التدريب الافتراضية. |
teardown | يُفعّل أثناء تنظيف عملية التدريب. |
عمليات استدعاء المدقّق#
| استدعاء | الوصف |
|---|---|
on_val_start | يُفعّل عند بدء التحقق. |
on_val_batch_start | يُفعّل في بداية كل دفعة تحقق. |
on_val_batch_end | يُفعّل في نهاية كل دفعة تحقق. |
on_val_end | يُفعّل عند انتهاء التحقق. |
عمليات استدعاء المتنبئ#
| استدعاء | الوصف |
|---|---|
on_predict_start | يُفعّل عند بدء عملية التنبؤ. |
on_predict_batch_start | يُفعّل في بداية كل دفعة تنبؤ. |
on_predict_postprocess_end | يُفعّل في نهاية المعالجة اللاحقة للتنبؤ. |
on_predict_batch_end | يُفعّل في نهاية كل دفعة تنبؤ. |
on_predict_end | يُفعّل عند انتهاء عملية التنبؤ. |
عمليات استدعاء المُصدِّر#
| استدعاء | الوصف |
|---|---|
on_export_start | يُفعّل عند بدء عملية التصدير. |
on_export_end | يُفعّل عند انتهاء عملية التصدير. |
الأسئلة الشائعة#
استدعاءات Ultralytics الراجعة هي نقاط دخول تُفعّل خلال المراحل الرئيسية لعمليات النموذج، مثل التدريب والتحقق من الصحة والتنبؤ والتصدير. وتتيح لك إضافة وظائف مخصصة في نقاط محددة من العملية دون تعديل المكتبة. يقبل كل استدعاء راجع كائنًا من نوع
TrainerأوValidatorأوPredictorأوExporter، وفقًا لنوع العملية.لاستخدام استدعاء، عرّف دالة وأضفها إلى النموذج باستخدام الطريقة
model.add_callback(). إليك مثالًا على إرجاع معلومات إضافية أثناء التنبؤ:from ultralytics import YOLO def on_predict_batch_end(predictor): """Handle prediction batch end by combining results with corresponding frames; modifies predictor results.""" _, image, _ = predictor.batch image = image if isinstance(image, list) else [image] predictor.results = zip(predictor.results, image) model = YOLO("yolo26n.pt") model.add_callback("on_predict_batch_end", on_predict_batch_end) for result, frame in model.predict(): passخصّص إجراء التدريب في Ultralytics عن طريق إدراج منطق في مراحل محددة من عملية التدريب. يوفر Ultralytics YOLO مجموعة متنوعة من استدعاءات التدريب، مثل
on_train_startوon_train_endوon_train_batch_end، التي تتيح لك إضافة مقاييس مخصّصة أو معالجة أو تسجيل.إليك كيفية تسجيل معدل التعلّم لكل مجموعة من معلمات المحسِّن في نهاية كل حقبة تدريب:
from ultralytics import YOLO def log_learning_rates(trainer): """Print the current learning rates after each training epoch.""" print(f"Epoch {trainer.epoch + 1}: {trainer.lr}") model = YOLO("yolo26n.pt") model.add_callback("on_train_epoch_end", log_learning_rates) model.train(data="coco8.yaml", epochs=3)نصيحةلا تحتاج إلى استدعاء لتجميد إحصاءات BatchNorm عند استخدام
freeze: إذ يضع المدرّب تلقائيًا طبقات BatchNorm للطبقات المجمّدة في وضع التقييم في بداية كل حقبة.لمزيد من التفاصيل حول الاستخدام الفعّال لاستدعاءات التدريب، راجع دليل التدريب.
تتيح لك استدعاءات التحقق الراجعة إضافة معالجة مخصصة أو تسجيل أو حساب للمقاييس عند تقييم النموذج. توفر استدعاءات مثل
on_val_startوon_val_batch_endوon_val_endنقاط دخول لإدراج منطق مخصص في كل مرحلة من مراحل التحقق.على سبيل المثال، لرسم جميع دفعات التحقق بدلًا من الدفعات الثلاث الأولى فقط:
import inspect from ultralytics import YOLO def plot_samples(validator): frame = inspect.currentframe().f_back.f_back v = frame.f_locals validator.plot_val_samples(v["batch"], v["batch_i"]) validator.plot_predictions(v["batch"], v["preds"], v["batch_i"]) model = YOLO("yolo26n.pt") model.add_callback("on_val_batch_end", plot_samples) model.val(data="coco.yaml")لمزيد من المعلومات حول دمج عمليات الاستدعاء في عملية التحقق، راجع دليل التحقق.
لربط استدعاء مخصّص بوضع التنبؤ في Ultralytics YOLO، عرّف دالة استدعاء وسجّلها في عملية التنبؤ. تشمل استدعاءات التنبؤ الشائعة
on_predict_startوon_predict_batch_endوon_predict_end. وتتيح هذه الاستدعاءات تعديل مخرجات التنبؤ ودمج وظائف إضافية، مثل تسجيل البيانات أو تحويل النتائج.إليك مثالًا على استدعاء مخصّص يحفظ التنبؤات استنادًا إلى وجود كائن من فئة معينة:
from ultralytics import YOLO model = YOLO("yolo26n.pt") class_id = 2 def save_on_object(predictor): r = predictor.results[0] if class_id in r.boxes.cls: predictor.args.save = True else: predictor.args.save = False model.add_callback("on_predict_postprocess_end", save_on_object) results_stream = model("pedestrians.mp4", stream=True, save=True) for result in results_stream: passللاطلاع على استخدام أشمل، راجع دليل التنبؤ، الذي يتضمن تعليمات مفصّلة وخيارات إضافية للتخصيص.
يدعم Ultralytics YOLO تطبيقات عملية متنوعة لعمليات الاستدعاء بهدف تحسين مراحل مختلفة وتخصيصها، مثل التدريب والتحقق والتنبؤ. ومن الأمثلة العملية:
- تسجيل المقاييس المخصصة: سجّل مقاييس إضافية في مراحل مختلفة، مثل نهاية حقبات التدريب أو التحقق.
- زيادة البيانات: نفّذ تحويلات أو زيادات مخصّصة للبيانات أثناء دفعات التنبؤ أو التدريب.
- النتائج الوسيطة: احفظ النتائج الوسيطة، مثل التنبؤات أو الإطارات، لإجراء مزيد من التحليل أو التصوير المرئي.
مثال: دمج الإطارات مع نتائج التنبؤ أثناء التنبؤ باستخدام
on_predict_batch_end:from ultralytics import YOLO def on_predict_batch_end(predictor): """Combine prediction results with frames.""" _, image, _ = predictor.batch image = image if isinstance(image, list) else [image] predictor.results = zip(predictor.results, image) model = YOLO("yolo26n.pt") model.add_callback("on_predict_batch_end", on_predict_batch_end) for result, frame in model.predict(): passاستكشف الشيفرة المصدرية لعمليات الاستدعاء لمزيد من الخيارات والأمثلة.
التعليقات15
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
drbilal216
Hi can i and how use callback to freeze initial layers for number of epochs and unfreeze after that, is there any builtin function for that? i used freeze builtin function but it freezes for all the epochs.
drbilal216
also, after certain epochs the change in model training is minimal can we use callback then to change lr, how and what parameter to change ?
Glenn JocherUltralytics@drbilal216 yes, you can use callbacks to freeze/unfreeze layers dynamically during training. Here's how to freeze initial layers for specific epochs then unfreeze them:
from ultralytics import YOLO def dynamic_freeze_callback(trainer): freeze_epochs = 10 # Freeze for first 10 epochs freeze_layers = 10 # Number of layers to freeze if trainer.epoch < freeze_epochs: # Freeze layers for i, (name, param) in enumerate(trainer.model.named_parameters()): if i < freeze_layers: param.requires_grad = False else: # Unfreeze all layers for param in trainer.model.parameters(): param.requires_grad = True model = YOLO("yolo11n.pt") model.add_callback("on_train_epoch_start", dynamic_freeze_callback) model.train(data="coco8.yaml", epochs=20)For dynamic learning rate adjustment when training plateaus, you can modify the scheduler within a callback:
def dynamic_lr_callback(trainer): if trainer.epoch > 50 and trainer.epoch % 10 == 0: # Every 10 epochs after epoch 50 for param_group in trainer.optimizer.param_groups: param_group['lr'] *= 0.9 # Reduce LR by 10% model.add_callback("on_train_epoch_end", dynamic_lr_callback)1drbilal216
@glenn-jocher Thanks for the code! I'm working on a low-quality PPE dataset. With a custom YAML, I improved YOLOv12n accuracy by 3%, and got similar results on YOLOv11n with better FPS.
The default Nano model lets me use pretrained=True, but custom architectures start from scratch. Still, I can reuse best.pt as pretrained weights on the same YAML later.
I'm now exploring argument tuning and callbacks for further improvements. I also tried freezing/unfreezing layers mid-training but saw no gains.
Lastly, I integrated Flash into YOLOv12, but I don’t see any sign that it’s being used during training (tested on Colab and A100 80GB-server).
jnance34
Hello,
I'm trying to implement a custom
on_pretrain_routine_endcallback with amodel.tune()call, but it appears that the Tuner class isn't adding my custom callback function to theTuner.callbackslist. Here's some pseudo code of what I'm trying to do:def my_custom_callback(trainer): print("I'm in my custom callback function!") model = YOLO("model/yolo11n.pt") model.add_callback('on_pretrain_routine_end', my_custom_function) model.tune(...) # Expect to see "I'm in my custom callback function" for each trial run...For some reason my custom callback function isn't getting called for each training run of the Tuner. Am I missing a step here? I've taken a look at the source code but don't see anything obviously wrong...
Thanks!
-James
RizwanMunawar
@jnance34 Hi! At the moment, callbacks are not supported for model.tone(...). You can find a complete list of all supported callbacks here: https://docs.ultralytics.com/usage/callbacks/#all-callbacks
ruslanraupoff
When I'm using single device add_callback works well but multi gpu's not working any solution for this?
Glenn JocherUltralytics@ruslanraupoff for multi-GPU training with callbacks, ensure your callback function is properly registered in all processes. When using DDP mode, callbacks need to be added before the training starts and should be compatible with distributed training environments. If you're experiencing issues, verify that your callback logic is thread-safe and doesn't rely on process-specific resources. For implementation details, refer to our callbacks documentation: https://docs.ultralytics.com/usage/callbacks
1
D3RK0
Hi, in the documentation above, I see that
predictor.batchis used, which I assume refers to the current batch of the predictor. Is there a similartrainer.batchfor a trainer? I need it in order to apply data augmentation during the training of my YOLOv8 classifier.D3RK0
I forgot to ask which (callback) event do I need to select?
Glenn JocherUltralytics(تم التعديل)@D3RK0 trainer callbacks only receive the
trainerobject, so the current batch is not available there astrainer.batch. To apply custom augmentation to each training batch, subclass your trainer (e.g.ClassificationTrainer) and overridepreprocess_batch(self, batch), which receives every training batch before the forward pass.D3RK0(تم التعديل)
@glenn-jocher Many thanks for your quick response!
I am dealing with following problem though:
Problem
When I do
trainer.batch, I get the following error:Traceback (most recent call last): File "C:\Program Files\JetBrains\PyCharm Community Edition 2022.3.3\plugins\python-ce\helpers\pydev\pydevd.py", line 1534, in _exec pydev_imports.execfile(file, globals, locals) # execute the script ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\Program Files\JetBrains\PyCharm Community Edition 2022.3.3\plugins\python-ce\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfile exec(compile(contents+"\n", file, 'exec'), glob, loc) File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 397, in <module> main() File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 377, in main model.train(mode="classify", File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\model.py", line 802, in train self.trainer.train() File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 207, in train self._do_train(world_size) File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 368, in _do_train self.run_callbacks("on_train_batch_start") File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 168, in run_callbacks callback(self) File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 185, in batch_augmentation_callback batch = trainer.batch # Access the current batch ^^^^^^^^^^^^^ AttributeError: 'ClassificationTrainer' object has no attribute 'batch'My code
model = YOLO("yolov8m-cls.pt") model.add_callback("on_train_batch_start", batch_augmentation_callback) model.train(mode="classify", data=data_file_dir, epochs=args.n_epochs) # Where batch_augmentation_callback is my callback function def batch_augmentation_callback(trainer): batch = trainer.batch # This code line causes the error reported above images, labels = batch['img'], batch['label'] # More code below to create data augmentationContent of
trainerobject that is passed intobatch_augmentation_callback(my callback function)- trainer = {ClassificationTrainer} <ultralytics.models.yolo.classify.train.ClassificationTrainer object at 0x0000016929FA5010>
- accumulate = {int} 4
- amp = {bool} False
- args = {IterableSimpleNamespace} IterableSimpleNamespace(task='classify', mode='train', model='yolov8m-cls.pt', data='C:/Users/derk_/Documents/Universiteit/IRP...ugment='randaugment', erasing=0.4, crop_fraction=1.0, cfg=None, tracker='botsort.yaml', save_dir='C:\runs\classify\train53')
- batch_size = {int} 16
- best = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights/best.pt')
- best_fitness = {NoneType} None
- callbacks = {defaultdict: 25} defaultdict(<class 'list'>, {'on_pretrain_routine_start': [<function on_pretrain_routine_start at 0x0000016929C79440>, <functi...C7A2A0>, <function on_export_start at 0x000001692A55C220>], 'on_export_end': [<function on_export_end at 0x0000016929C7A340>]})
- csv = {WindowsPath} WindowsPath('C:/runs/classify/train53/results.csv')
- data = {dict: 5} {'names': {0: '1', 1: '10', 2: '100', 3: '101', 4: '102', 5: '11', 6: '12', 7: '13', 8: '14', 9: '15', 10: '16', 11: '17', 12: '18', 13: '19', 14: '2', 15: '20', 16: '21', 17: '22', 18: '23', 19: '24', 20: '25', 21: '26', 22: '27', 23: '28', 24: '29', 25:
- device = {device} device(type='cpu')
- ema = {ModelEMA} <ultralytics.utils.torch_utils.ModelEMA object at 0x000001692AC80C90>
- epoch = {int} 0
- epoch_time = {NoneType} None
- epoch_time_start = {float} 1731355033.8569636
- epochs = {int} 1
- fitness = {NoneType} None
- hub_session = {NoneType} None
- last = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights/last.pt')
- loss = {NoneType} None
- loss_names = {list: 1} ['loss']
- metrics = {dict: 3} {'metrics/accuracy_top1': 0, 'metrics/accuracy_top5': 0, 'val/loss': 0}
- model = {ClassificationModel} ClassificationModel(\n (model): Sequential(\n (0): Conv(\n (conv): Conv2d(3, 48, kernel_size=(3, 3), stride=(2, 2), padd...1)\n (drop): Dropout(p=0.0, inplace=True)\n (linear): Linear(in_features=1280, out_features=102, bias=True)\n )\n )\n)
- optimizer = {AdamW} AdamW (\nParameter Group 0\n amsgrad: False\n base_momentum: 0.85\n betas: (0.9499811807836418, 0.999)\n capturable: Fa... lr: 0.004018066447703833\n max_lr: 0.1\n max_momentum: 0.95\n maximize: False\n min_lr: 4e-07\n weight_decay: 0.0\n)
- plot_idx = {list: 6} [0, 1, 2, -3465, -3464, -3463]
- plots = {dict: 0} {}
- resume = {bool} False
- save_dir = {WindowsPath} WindowsPath('C:/runs/classify/train53')
- save_period = {int} 1
- scaler = {GradScaler} <torch.amp.grad_scaler.GradScaler object at 0x000001692921A0D0>
- scheduler = {OneCycleLR} <torch.optim.lr_scheduler.OneCycleLR object at 0x000001692ACF5210>
- start_epoch = {int} 0
- stop = {bool} False
- stopper = {EarlyStopping} <ultralytics.utils.torch_utils.EarlyStopping object at 0x000001692ACF7190>
- stride = {int} 32
- test_loader = {InfiniteDataLoader: 32} <ultralytics.data.build.InfiniteDataLoader object at 0x000001692AAD7B50>
- testset = {WindowsPath} WindowsPath('C:/Users/derk_/Documents/Universiteit/IRP/Research_Project/Oxford-Flower-dataset/jpg/val')
- tloss = {NoneType} None
- train_loader = {InfiniteDataLoader: 385} <ultralytics.data.build.InfiniteDataLoader object at 0x00000169297FFDD0>
- train_time_start = {float} 1731355033.8569636
- trainset = {WindowsPath} WindowsPath('C:/Users/derk_/Documents/Universiteit/IRP/Research_Project/Oxford-Flower-dataset/jpg/train')
- validator = {ClassificationValidator} <ultralytics.models.yolo.classify.val.ClassificationValidator object at 0x000001692AC80BD0>
- wdir = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights')
Question
If it is right that
trainer.batchdoes not exist (in this case), which other object in trainer - as listed above in the content of trainer - can I extract the current batch?
Glenn JocherUltralytics(تم التعديل)The
trainer.batchattribute does not exist in the current implementation, and iteratingtrainer.train_loaderinside a callback would draw a different batch rather than the current one. Instead, overridepreprocess_batch(self, batch)in a custom trainer subclass to modify each batch before it is used.D3RK0(تم التعديل)
@glenn-jocher Many thanks for answering!
Okay, I have been able to access the batches via
trainer.train_loaderand subsequently apply data augmentation to each batch. However, ...Problem
... assigning the batch back (see also the code below) to
trainer.train_loaderis not possible, as I get:trainer.train_loader[i] = batch ~~~~~~~~~~~~~~~~~~~~^^^ TypeError: 'InfiniteDataLoader' object does not support item assignmentCode
def batches_augmentation_callback(trainer): for i, batch in enumerate(trainer.train_loader): images, labels = batch['img'], batch['cls'] cutmix_or_mixup = LoadOxfordFlowerDataset.data_augmentation(n_classes_in_batch=args.n_classes) images, labels = cutmix_or_mixup(images, labels) batch = {"img": images, "cls": labels} trainer.train_loader[i] = batch # BUG: trainer.train_loader object does not support item assignmentQuestion
How can I return the augmented batch to the
trainerobject if assignment does not work?
Glenn JocherUltralyticsYou cannot directly assign to
trainer.train_loader. Instead, apply your augmentation within the loop and yield the modified batch back to the training process. Consider using a custom data loader or modifying the dataset directly for more complex augmentations.