Link to this sectionErweiterte Anpassung#

Sowohl die Ultralytics YOLO Befehlszeilen- als auch die Python-Schnittstellen sind hochgradige Abstraktionen, die auf Basis-Engine-Executors aufbauen. Dieser Leitfaden konzentriert sich auf die Trainer-Engine und erklärt, wie du sie an deine spezifischen Bedürfnisse anpassen kannst.

Link to this sectionBaseTrainer#

Die BaseTrainer-Klasse bietet eine generische Trainingsroutine, die für verschiedene Aufgaben anpassbar ist. Du kannst sie anpassen, indem du spezifische Funktionen oder Operationen überschreibst und dabei die erforderlichen Formate einhältst. Integriere beispielsweise dein eigenes benutzerdefiniertes Modell und deinen Dataloader, indem du diese Funktionen überschreibst:

• get_model(cfg, weights): Erstellt das zu trainierende Modell.
• get_dataloader(): Erstellt den Dataloader.

Weitere Details und den Quellcode findest du in der BaseTrainer Referenz.

Link to this sectionDetectionTrainer#

So kannst du den Ultralytics YOLO DetectionTrainer verwenden und anpassen:

from ultralytics.models.yolo.detect import DetectionTrainer

trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # Get the best model

Link to this sectionAnpassung des DetectionTrainer#

Um ein benutzerdefiniertes Erkennungsmodell zu trainieren, das nicht direkt unterstützt wird, überlade die vorhandene get_model-Funktionalität:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""
        ...

trainer = CustomTrainer(overrides={...})
trainer.train()

Passe den Trainer weiter an, indem du die Verlustfunktion änderst oder einen Callback hinzufügst, um das Modell alle 10 Epochen auf Google Drive hochzuladen. Hier ist ein Beispiel:

from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel

class MyCustomModel(DetectionModel):
    def init_criterion(self):
        """Initializes the loss function and adds a callback for uploading the model to Google Drive every 10 epochs."""
        ...

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Returns a customized detection model instance configured with specified config and weights."""
        return MyCustomModel(...)

# Callback to upload model weights
def log_model(trainer):
    """Logs the path of the last model weight used by the trainer."""
    last_weight_path = trainer.last
    print(last_weight_path)

trainer = CustomTrainer(overrides={...})
trainer.add_callback("on_train_epoch_end", log_model)  # Adds to existing callbacks
trainer.train()

Weitere Informationen zu Callback-Auslöseereignissen und Einstiegspunkten findest du im Callbacks Leitfaden.

Link to this sectionWeitere Engine-Komponenten#

Passe andere Komponenten wie Validators und Predictors ähnlich an. Weitere Informationen findest du in der Dokumentation für Validators und Predictors.

Link to this sectionVerwendung von YOLO mit benutzerdefinierten Trainern#

Die YOLO-Modellklasse bietet einen High-Level-Wrapper für Trainer-Klassen. Du kannst diese Architektur für eine größere Flexibilität in deinen Machine-Learning-Workflows nutzen:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

# Create a custom trainer
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Custom code implementation."""
        ...

# Initialize YOLO model
model = YOLO("yolo26n.pt")

# Train with custom trainer
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

Dieser Ansatz ermöglicht es dir, die Einfachheit der YOLO-Schnittstelle beizubehalten und gleichzeitig den zugrunde liegenden Trainingsprozess an deine spezifischen Anforderungen anzupassen.

Link to this sectionFAQ#

Link to this sectionWie kann ich den Ultralytics YOLO DetectionTrainer für spezifische Aufgaben anpassen?#

Passe den DetectionTrainer für spezifische Aufgaben an, indem du seine Methoden überschreibst, um sie an dein benutzerdefiniertes Modell und deinen Dataloader anzupassen. Beginne damit, von DetectionTrainer zu erben und Methoden wie get_model neu zu definieren, um benutzerdefinierte Funktionalitäten zu implementieren. Hier ist ein Beispiel:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""
        ...

trainer = CustomTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # Get the best model

Für weitere Anpassungen, wie z.B. das Ändern der Verlustfunktion oder das Hinzufügen eines Callbacks, siehe den Callbacks Leitfaden.

Link to this sectionWas sind die Schlüsselkomponenten des BaseTrainer in Ultralytics YOLO?#

Der BaseTrainer dient als Grundlage für Trainingsroutinen und ist durch das Überschreiben seiner generischen Methoden für verschiedene Aufgaben anpassbar. Zu den Schlüsselkomponenten gehören:

• get_model(cfg, weights): Erstellt das zu trainierende Modell.
• get_dataloader(): Erstellt den Dataloader.
• preprocess_batch(): Verarbeitet die Batch-Vorverarbeitung vor dem Vorwärtsdurchlauf des Modells.
• set_model_attributes(): Setzt Modellattribute basierend auf Datensatzinformationen.
• get_validator(): Gibt einen Validator für die Modellevaluation zurück.

Weitere Details zur Anpassung und den Quellcode findest du in der BaseTrainer Referenz.

Link to this sectionWie kann ich dem Ultralytics YOLO DetectionTrainer einen Callback hinzufügen?#

Füge Callbacks hinzu, um den Trainingsprozess im DetectionTrainer zu überwachen und zu ändern. So fügst du einen Callback hinzu, um die Modellgewichte nach jeder Trainings-Epoche zu protokollieren:

from ultralytics.models.yolo.detect import DetectionTrainer

# Callback to upload model weights
def log_model(trainer):
    """Logs the path of the last model weight used by the trainer."""
    last_weight_path = trainer.last
    print(last_weight_path)

trainer = DetectionTrainer(overrides={...})
trainer.add_callback("on_train_epoch_end", log_model)  # Adds to existing callbacks
trainer.train()

Weitere Details zu Callback-Ereignissen und Einstiegspunkten findest du im Callbacks Leitfaden.

Link to this sectionWarum sollte ich Ultralytics YOLO für das Modelltraining verwenden?#

Ultralytics YOLO bietet eine High-Level-Abstraktion über leistungsstarke Engine-Executors, was es ideal für die schnelle Entwicklung und Anpassung macht. Zu den Hauptvorteilen gehören:

• Benutzerfreundlichkeit: Sowohl Befehlszeilen- als auch Python-Schnittstellen vereinfachen komplexe Aufgaben.
• Leistung: Optimiert für Echtzeit-Objekterkennung und verschiedene Vision-AI-Anwendungen.
• Anpassung: Einfach erweiterbar für benutzerdefinierte Modelle, Verlustfunktionen und Dataloader.
• Modularität: Komponenten können unabhängig voneinander geändert werden, ohne die gesamte Pipeline zu beeinträchtigen.
• Integration: Arbeitet nahtlos mit gängigen Frameworks und Tools im ML-Ökosystem zusammen.

Erfahre mehr über die Fähigkeiten von YOLO, indem du die Hauptseite von Ultralytics YOLO besuchst.

Link to this sectionKann ich den Ultralytics YOLO DetectionTrainer für nicht-standardmäßige Modelle verwenden?#

Ja, der DetectionTrainer ist hochflexibel und für nicht-standardmäßige Modelle anpassbar. Erbe von DetectionTrainer und überlade Methoden, um die Anforderungen deines spezifischen Modells zu unterstützen. Hier ist ein einfaches Beispiel:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model."""
        ...

trainer = CustomDetectionTrainer(overrides={...})
trainer.train()

Für umfassende Anleitungen und Beispiele, lies die DetectionTrainer Referenz.