Zum Inhalt springen

Rückrufe

Rückrufe

Ultralytics Framework unterstützt Callbacks 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 des Vorgangs. Alle Eigenschaften dieser Objekte findest du im Abschnitt "Referenz" in der Dokumentation.



Pass auf: Mastering Ultralytics YOLO: Callbacks

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 Callbacks. Weitere Details findest du im Quellcode der Rückrufe.

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 Triggered at the start of each training epoch
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 Fit-Epoche
on_model_save Wird 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 Ausbildungsprozess aufgeräumt 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 jeder Validierungscharge
on_val_end Ausgelöst, wenn die Validierung endet

Prädikator-Rückrufe

Rückruf Beschreibung
on_predict_start Ausgelöst, wenn der Vorhersageprozess beginnt
on_predict_batch_start Ausgelöst zu Beginn jeder 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 Wird ausgelöst, wenn der Exportvorgang beginnt
on_export_end Ausgelöst, wenn der Exportvorgang endet

FAQ

Was sind Ultralytics Rückrufe und wie kann ich sie nutzen?

Ultralytics Rückrufe sind spezielle Einstiegspunkte, die während wichtiger 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. Detaillierte Eigenschaften dieser Objekte findest du in der Referenzabschnitt.

Um einen Rückruf zu verwenden, kannst du eine Funktion definieren und sie dann dem Modell mit der Option add_callback Methode. Hier ist ein Beispiel dafür, wie du bei der Vorhersage zusätzliche Informationen erhältst:

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 deine Ultralytics Trainingsroutine mit Hilfe von Callbacks anzupassen, kannst du deine Logik in bestimmten Phasen des Trainingsprozesses einfügen. Ultralytics YOLO bietet eine Vielzahl von Trainings-Callbacks wie on_train_start, on_train_end, und on_train_batch_end. Diese ermöglichen es dir, benutzerdefinierte Metriken, Verarbeitungen oder Protokollierungen hinzuzufügen.

Hier ist ein Beispiel dafür, wie du am Ende jeder Trainingsepoche zusätzliche Metriken aufzeichnen kannst:

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)

Im Trainingsleitfaden findest du weitere Informationen darüber, wie du Trainingsrückrufe effektiv nutzen kannst.

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

Mit 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_end, und on_val_end bieten Einstiegspunkte für die Einbindung benutzerdefinierter Logik und gewährleisten detaillierte und umfassende Validierungsprozesse.

Du könntest zum Beispiel zusätzliche Validierungskennzahlen protokollieren oder Zwischenergebnisse für weitere Analysen speichern wollen. Hier ist ein Beispiel dafür, wie du benutzerdefinierte Metriken am Ende der Validierung protokollieren kannst:

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 findest du weitere Informationen zur Integration von Rückrufen in deinen Validierungsprozess.

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

Um einen benutzerdefinierten Callback für die Vorhersagemodus in Ultralytics YOLO definierst du eine Callback-Funktion und registrierst sie für den Vorhersageprozess. Übliche Rückrufe für die Vorhersage sind on_predict_start, on_predict_batch_end, und on_predict_end. Diese ermöglichen es, die Vorhersageergebnisse zu ändern und zusätzliche Funktionen wie Datenprotokollierung oder Ergebnisumwandlung zu integrieren.

Hier ist ein Beispiel, in dem ein benutzerdefinierter Callback verwendet wird, um Vorhersagen zu protokollieren:

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 Nutzung siehe den Prediction Guide, der detaillierte Anweisungen und zusätzliche Anpassungsoptionen enthält.

Welche praktischen Beispiele gibt es für die Verwendung von Rückrufen in Ultralytics YOLO ?

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

  1. Benutzerdefinierte Metriken protokollieren: Protokolliere zusätzliche Metriken in verschiedenen Phasen, z. B. am Ende von Trainings- oder Validierungsepochen.
  2. Data Augmentation: Implement custom data transformations or augmentations during prediction or training batches.
  3. Zwischenergebnisse: Speichere Zwischenergebnisse wie Vorhersagen oder Rahmen für weitere Analysen oder Visualisierungen.

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 findest du weitere Optionen und Beispiele.


📅 Created 11 months ago ✏️ Updated 6 days ago

Kommentare