Callbacks#

Ultralytics-Callbacks sind spezialisierte Einstiegspunkte, die während wichtiger Phasen von Modelloperationen wie Training, Validierung, Export und Vorhersage ausgelöst werden. Diese Callbacks ermöglichen benutzerdefinierte Funktionen an bestimmten Punkten des Prozesses, wodurch Verbesserungen und Modifikationen des Workflows erlaubt werden. Jeder Callback akzeptiert je nach Operationstyp ein Trainer-, Validator- oder Predictor-Objekt. Ausführliche Eigenschaften dieser Objekte findest du auf den Referenzseiten BaseTrainer, BaseValidator und BasePredictor.

Um einen Callback zu verwenden, definiere eine Funktion und füge sie dem Modell über die Methode model.add_callback() hinzu. Hier ist ein Beispiel für die Rückgabe zusätzlicher Informationen während der Vorhersage:

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():
    pass

Passe deine Ultralytics-Trainingsroutine an, indem du Logik in bestimmten Phasen des Trainingsprozesses injizierst. Ultralytics YOLO bietet eine Vielzahl von Trainings-Callbacks wie on_train_start, on_train_end und on_train_batch_end, mit denen du benutzerdefinierte Metriken, Verarbeitungen oder Protokollierungen hinzufügen kannst.

Hier erfährst du, wie du BatchNorm-Statistiken beim Einfrieren von Layern mit Callbacks einfrierst:

from ultralytics import YOLO

# Add a callback to put the frozen layers in eval mode to prevent BN values from changing
def put_in_eval_mode(trainer):
    n_layers = trainer.args.freeze
    if not isinstance(n_layers, int):
        return

    for i, (name, module) in enumerate(trainer.model.named_modules()):
        if name.endswith("bn") and int(name.split(".")[1]) < n_layers:
            module.eval()
            module.track_running_stats = False

model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

Weitere Details zur effektiven Verwendung von Trainings-Callbacks findest du im Trainingshandbuch.

Die Verwendung von Callbacks während der Validierung in Ultralytics YOLO verbessert die Modellevaluierung, indem sie benutzerdefinierte Verarbeitungen, Protokollierungen oder Metrikberechnungen ermöglicht. Callbacks wie on_val_start, on_val_batch_end und on_val_end bieten Einstiegspunkte, um benutzerdefinierte Logik zu injizieren, was detaillierte und umfassende Validierungsprozesse gewährleistet.

Um beispielsweise alle Validierungs-Batches anstelle nur der ersten drei zu plotten:

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")

Weitere Einblicke zur Integration von Callbacks in deinen Validierungsprozess findest du im Validierungshandbuch.

Um einen benutzerdefinierten Callback für den Vorhersagemodus in Ultralytics YOLO anzuhängen, definiere eine Callback-Funktion und registriere sie beim Vorhersageprozess. Gängige Vorhersage-Callbacks sind on_predict_start, on_predict_batch_end und on_predict_end. Diese ermöglichen die Modifikation von Vorhersageausgaben und die Integration zusätzlicher Funktionen wie Datenprotokollierung oder Ergebnistransformation.

Hier ist ein Beispiel, bei dem ein benutzerdefinierter Callback Vorhersagen basierend darauf speichert, ob ein Objekt einer bestimmten Klasse vorhanden ist:

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:
    pass

Für eine umfassendere Nutzung schaue im Vorhersagehandbuch nach, das detaillierte Anweisungen und zusätzliche Anpassungsoptionen enthält.

Ultralytics YOLO unterstützt verschiedene praktische Implementierungen von Callbacks, um verschiedene Phasen wie Training, Validierung und Vorhersage zu verbessern und anzupassen. Einige praktische Beispiele umfassen:

• Protokollierung benutzerdefinierter Metriken: Protokolliere zusätzliche Metriken in verschiedenen Phasen, wie am Ende von Training- oder Validierungs-Epochen.
• Datenaugmentierung: Implementiere benutzerdefinierte Datentransformationen oder -augmentierungen während der Vorhersage- oder Trainings-Batches.
• Zwischenergebnisse: Speichere Zwischenergebnisse wie Vorhersagen oder Frames für weitere Analysen oder Visualisierungen.

Beispiel: Kombinieren von Frames mit Vorhersagenergebnissen während der Vorhersage unter Verwendung von 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():
    pass

Entdecke den Callback-Quellcode für weitere Optionen und Beispiele.