Erweiterte Anpassung#

Sowohl die Befehlszeilenschnittstelle als auch die Python-Schnittstellen von Ultralytics YOLO sind hochgradige Abstraktionen, die auf Basis-Engine-Executors aufbauen. Diese Anleitung konzentriert sich auf die Trainer-Engine und erklärt, wie du sie an deine spezifischen Anforderungen anpassen kannst.

BaseTrainer#

Die Klasse BaseTrainer stellt eine generische Trainingsroutine bereit, die für verschiedene Aufgaben angepasst werden kann. Passe sie an, indem du bestimmte Funktionen oder Operationen überschreibst und dabei die erforderlichen Formate einhältst. Integriere zum Beispiel dein eigenes benutzerdefiniertes Modell und deinen eigenen 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.

DetectionTrainer#

So verwendest und passt du den Ultralytics YOLO DetectionTrainer an:

from ultralytics.models.yolo.detect import DetectionTrainer

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

Anpassen des DetectionTrainer#

Um ein benutzerdefiniertes Erkennungsmodell zu trainieren, das nicht direkt unterstützt wird, überlade die bestehende 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()

P Passe den Trainer weiter an, indem du die Verlustfunktion änderst oder einen Callback hinzufügst, um das Modell alle 10 Epochen in 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 auslösenden Ereignissen und Einstiegspunkten von Callbacks findest du im Callback-Leitfaden.

Weitere Engine-Komponenten#

Passe andere Komponenten wie Validators und Predictors auf ähnliche Weise an. Weitere Informationen findest du in der Dokumentation zu Validators und Predictors.

Verwendung von YOLO mit benutzerdefinierten Trainern#

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

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.

FAQ#

Wie passe ich den Ultralytics YOLO DetectionTrainer für spezifische Aufgaben an?#

Passe den DetectionTrainer für spezifische Aufgaben an, indem du seine Methoden überschreibst, um ihn an dein benutzerdefiniertes Modell und deinen DataLoader anzupassen. Beginne damit, von DetectionTrainer zu erben, und definiere Methoden wie get_model neu, 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 das Ändern der Verlustfunktion oder das Hinzufügen eines Callbacks, sieh dir den Callback-Leitfaden an.

Was sind die Hauptkomponenten des BaseTrainer in Ultralytics YOLO?#

Der BaseTrainer dient als Grundlage für Trainingsroutinen und lässt sich für verschiedene Aufgaben anpassen, indem seine generischen Methoden überschrieben werden. Zu den Hauptkomponenten 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(): Legt Modellattribute basierend auf Dataset-Informationen fest.
• get_validator(): Gibt einen Validator für die Modellevaluierung zurück.

Weitere Details zu Anpassungen und Quellcode findest du in der BaseTrainer-Referenz.

Wie kann ich dem Ultralytics YOLO DetectionTrainer einen Callback hinzufügen?#

Füge Callbacks hinzu, um den Trainingsprozess im DetectionTrainer zu überwachen und zu modifizieren. Hier erfährst du, wie du einen Callback hinzufügst, um Modellgewichtungen 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 Callback-Leitfaden.

Warum sollte ich Ultralytics YOLO für das Modelltraining verwenden?#

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

• Benutzerfreundlichkeit: Sowohl die Befehlszeilen- als auch die Python-Schnittstelle vereinfachen komplexe Aufgaben.
• Leistung: Optimiert für die Objekterkennung in Echtzeit und verschiedene Vision-KI-Anwendungen.
• Anpassbarkeit: 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 beliebten Frameworks und Tools im ML-Ökosystem zusammen.

Erfahre mehr über die Funktionen von YOLO, indem du die Hauptseite von Ultralytics YOLO erkundest.

Kann ich den Ultralytics YOLO DetectionTrainer für nicht standardmäßige Modelle verwenden?#

Ja, der DetectionTrainer ist äußerst flexibel 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()

Umfassende Anweisungen und Beispiele findest du in der DetectionTrainer-Referenz.