Zum Inhalt springen

Rückrufe

Rückrufe

Ultralytics Framework unterstützt Rückrufe als Einstiegspunkte in strategischen Phasen der Modi train, val, export und predict. Jeder Callback akzeptiert eine Trainer, Validator, oder Predictor Objekt abhängig von der Art der Operation. Alle Eigenschaften dieser Objekte finden Sie im Abschnitt Referenz der Dokumentation.



Beobachten: Mastering Ultralytics YOLO : Rückrufe

Beispiele

Rückgabe zusätzlicher Informationen mit Vorhersage

In diesem Beispiel wollen wir mit jedem Ergebnisobjekt das Originalbild zurückgeben. So können wir das tun

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

    # Ensure that image is a list
    image = image if isinstance(image, list) else [image]

    # Combine the prediction results with the corresponding frames
    predictor.results = zip(predictor.results, image)


# Create a YOLO model instance
model = YOLO("yolo11n.pt")

# Add the custom callback to the model
model.add_callback("on_predict_batch_end", on_predict_batch_end)

# Iterate through the results and frames
for result, frame in model.predict():  # or model.track()
    pass

Alle Rückrufe

Hier sind alle unterstützten Rückrufe. Siehe Quellcode der Rückrufe für zusätzliche Details.

Trainer-Rückrufe

Rückruf Beschreibung
on_pretrain_routine_start Ausgelöst zu Beginn der Trainingsvorbereitung
on_pretrain_routine_end Ausgelöst am Ende der Vorübungen
on_train_start Ausgelöst, wenn das Training beginnt
on_train_epoch_start Ausgelöst zu Beginn einer jeden Trainingsepoche
on_train_batch_start Ausgelöst zu Beginn eines jeden Trainingsstapels
optimizer_step Ausgelöst während des Optimierungsschritts
on_before_zero_grad Ausgelöst, bevor die Gradienten auf Null gesetzt werden
on_train_batch_end Ausgelöst am Ende eines jeden Trainingsstapels
on_train_epoch_end Ausgelöst am Ende jeder Trainingsepoche
on_fit_epoch_end Ausgelöst am Ende jeder Anpassungsepoche
on_model_save Ausgelöst, wenn das Modell gespeichert wird
on_train_end Ausgelöst, wenn der Trainingsprozess endet
on_params_update Ausgelöst, wenn Modellparameter aktualisiert werden
teardown Wird ausgelöst, wenn der Trainingsprozess bereinigt wird

Validator Rückrufe

Rückruf Beschreibung
on_val_start Ausgelöst, wenn die Validierung beginnt
on_val_batch_start Ausgelöst zu Beginn einer jeden Validierungscharge
on_val_batch_end Ausgelöst am Ende einer jeden Validierungscharge
on_val_end Ausgelöst, wenn die Validierung endet

Rückrufe von Prädiktoren

Rückruf Beschreibung
on_predict_start Ausgelöst, wenn der Vorhersageprozess beginnt
on_predict_batch_start Ausgelöst zu Beginn einer jeden Vorhersagecharge
on_predict_postprocess_end Ausgelöst am Ende der Nachbearbeitung der Vorhersage
on_predict_batch_end Ausgelöst am Ende jeder Vorhersagecharge
on_predict_end Ausgelöst, wenn der Vorhersageprozess endet

Exporter Rückrufe

Rückruf Beschreibung
on_export_start Ausgelöst, wenn der Exportvorgang beginnt
on_export_end Ausgelöst, wenn der Exportvorgang beendet ist

FAQ

Was sind Ultralytics Rückrufe und wie kann ich sie nutzen?

Ultralytics Rückrufe sind spezielle Einstiegspunkte, die in wichtigen Phasen der Modelloperationen wie Training, Validierung, Export und Vorhersage ausgelöst werden. Diese Rückrufe ermöglichen benutzerdefinierte Funktionen an bestimmten Punkten des Prozesses, die Erweiterungen und Änderungen des Arbeitsablaufs ermöglichen. Jeder Callback akzeptiert eine Trainer, Validator, oder Predictor Objekt, abhängig von der Art des Vorgangs. Die detaillierten Eigenschaften dieser Objekte finden Sie in der Referenzabschnitt.

Um einen Rückruf zu verwenden, können Sie eine Funktion definieren und sie dann dem Modell mit der Option add_callback Methode. Hier ein Beispiel dafür, wie zusätzliche Informationen während der Vorhersage zurückgegeben werden können:

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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Wie kann ich die Ultralytics Trainingsroutine mit Rückrufen anpassen?

Um Ihre Ultralytics Trainingsroutine mit Hilfe von Rückrufen anzupassen, können Sie Ihre Logik in bestimmten Phasen des Trainingsprozesses einfügen. Ultralytics YOLO bietet eine Vielzahl von Trainingsrückrufen wie on_train_start, on_train_endund on_train_batch_end. Diese ermöglichen es Ihnen, benutzerdefinierte Metriken, Verarbeitungen oder Protokollierungen hinzuzufügen.

Das folgende Beispiel zeigt, wie zusätzliche Metriken am Ende jeder Trainingsepoche protokolliert werden können:

from ultralytics import YOLO


def on_train_epoch_end(trainer):
    """Custom logic for additional metrics logging at the end of each training epoch."""
    additional_metric = compute_additional_metric(trainer)
    trainer.log({"additional_metric": additional_metric})


model = YOLO("yolo11n.pt")
model.add_callback("on_train_epoch_end", on_train_epoch_end)
model.train(data="coco.yaml", epochs=10)

Weitere Einzelheiten zum effektiven Einsatz von Trainingsrückrufen finden Sie im Trainingshandbuch.

Warum sollte ich Callbacks während der Validierung in Ultralytics YOLO verwenden?

Verwendung von Rückrufe während der Validierung in Ultralytics YOLO können die Modellevaluation verbessern, indem sie eine benutzerdefinierte Verarbeitung, Protokollierung oder Berechnung von Metriken ermöglichen. Rückrufe wie z.B. on_val_start, on_val_batch_endund on_val_end bieten Einstiegspunkte für die Einbindung benutzerdefinierter Logik und gewährleisten detaillierte und umfassende Validierungsprozesse.

So können Sie beispielsweise zusätzliche Validierungsmetriken protokollieren oder Zwischenergebnisse für weitere Analysen speichern. Hier ist ein Beispiel für die Protokollierung benutzerdefinierter Metriken am Ende der Validierung:

from ultralytics import YOLO


def on_val_end(validator):
    """Log custom metrics at end of validation."""
    custom_metric = compute_custom_metric(validator)
    validator.log({"custom_metric": custom_metric})


model = YOLO("yolo11n.pt")
model.add_callback("on_val_end", on_val_end)
model.val(data="coco.yaml")

Im Validierungsleitfaden finden Sie weitere Informationen zur Integration von Rückrufen in Ihren Validierungsprozess.

Wie füge ich einen benutzerdefinierten Callback für den Vorhersagemodus in Ultralytics YOLO hinzu?

Um einen benutzerdefinierten Callback für die Prognosemodus in Ultralytics YOLO definieren Sie eine Rückruffunktion und registrieren sie mit dem Vorhersageprozess. Übliche Rückrufe für die Vorhersage sind on_predict_start, on_predict_batch_endund on_predict_end. Diese ermöglichen die Änderung der Vorhersageergebnisse und die Integration zusätzlicher Funktionen wie Datenprotokollierung oder Ergebnisumwandlung.

Hier ein Beispiel, bei dem ein benutzerdefinierter Rückruf zur Protokollierung von Vorhersagen verwendet wird:

from ultralytics import YOLO


def on_predict_end(predictor):
    """Log predictions at the end of prediction."""
    for result in predictor.results:
        log_prediction(result)


model = YOLO("yolo11n.pt")
model.add_callback("on_predict_end", on_predict_end)
results = model.predict(source="image.jpg")

Für eine umfassendere Verwendung lesen Sie bitte die Anleitung zur Vorhersage, die detaillierte Anweisungen und zusätzliche Anpassungsoptionen enthält.

Was sind einige praktische Beispiele für die Verwendung von Rückrufen in Ultralytics YOLO ?

Ultralytics YOLO unterstützt verschiedene praktische Implementierungen von Rückrufen zur Verbesserung und Anpassung verschiedener Phasen wie Training, Validierung und Vorhersage. Einige praktische Beispiele sind:

  1. Protokollierung benutzerdefinierter Metriken: Protokollieren Sie zusätzliche Metriken in verschiedenen Phasen, z. B. am Ende von Trainings- oder Validierungsepochen.
  2. Datenerweiterung: Implementieren Sie benutzerdefinierte Datentransformationen oder -erweiterungen während der Vorhersage oder der Trainingsbatches.
  3. Zwischenergebnisse: Speichern Sie Zwischenergebnisse wie Vorhersagen oder Frames zur weiteren Analyse oder Visualisierung.

Beispiel: Kombinieren von Frames mit Vorhersageergebnissen während der Vorhersage mit 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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

In der vollständigen Callback-Referenz finden Sie weitere Optionen und Beispiele.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare