Devoluciones de llamada

Devoluciones de llamada

Ultralytics admite retrollamadas como puntos de entrada en etapas estratégicas de los modos entrenar, val, exportar y predecir. Cada devolución de llamada acepta un Trainer, Validatoro Predictor en función del tipo de operación. Todas las propiedades de estos objetos se pueden encontrar en la sección Referencia de la documentación.

Observa: Dominio de Ultralytics YOLO : Devoluciones de llamada

Ejemplos

Devolución de información adicional con Predicción

En este ejemplo, queremos devolver el fotograma original con cada objeto resultante. Así es como podemos hacerlo

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

Todas las devoluciones de llamada

Aquí están todos los callbacks soportados. Consulte el código fuente de las retrollamadas para obtener más información.

Llamadas de los formadores

Devoluciones de llamada del validador

Devoluciones de predictor

Llamadas de retorno del exportador

PREGUNTAS FRECUENTES

¿Qué son las retrollamadas de Ultralytics y cómo puedo utilizarlas?

Ultralytics devoluciones de llamada son puntos de entrada especializados que se activan durante las etapas clave de las operaciones del modelo, como la formación, la validación, la exportación y la predicción. Estas retrollamadas permiten una funcionalidad personalizada en puntos específicos del proceso, permitiendo mejoras y modificaciones en el flujo de trabajo. Cada llamada de retorno acepta un Trainer, Validatoro Predictor en función del tipo de operación. Para conocer las propiedades detalladas de estos objetos, consulte la sección Sección de referencia.

Para utilizar una devolución de llamada, puede definir una función y luego añadirla al modelo con la función add_callback método. He aquí un ejemplo de cómo devolver información adicional durante la predicción:

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

¿Cómo puedo personalizar la rutina de entrenamiento de Ultralytics utilizando callbacks?

Para personalizar su rutina de entrenamiento Ultralytics utilizando callbacks, puede inyectar su lógica en etapas específicas del proceso de entrenamiento. Ultralytics YOLO proporciona una variedad de callbacks de entrenamiento tales como on_train_start, on_train_endy on_train_batch_end. Permiten añadir métricas, procesamientos o registros personalizados.

Here's an example of how to freeze BatchNorm statistics when freezing layers with callbacks:

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

Consulte la Guía de Formación para obtener más información sobre cómo utilizar eficazmente las llamadas a formación.

¿Por qué debo utilizar callbacks durante la validación en Ultralytics YOLO ?

Utilizando devoluciones de llamada durante la validación en Ultralytics YOLO pueden mejorar la evaluación del modelo permitiendo el procesamiento personalizado, el registro o el cálculo de métricas. Devoluciones de llamada como on_val_start, on_val_batch_endy on_val_end proporcionan puntos de entrada para inyectar lógica personalizada, garantizando procesos de validación detallados y exhaustivos.

For instance, you might want to plot all the validation batches, instead of just the first 3. Here's how you can do that:

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("yolo11n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

Consulte la Guía de validación para obtener más información sobre la incorporación de devoluciones de llamada en su proceso de validación.

¿Cómo puedo adjuntar una llamada de retorno personalizada para el modo de predicción en Ultralytics YOLO ?

Para adjuntar una llamada de retorno personalizada para la función modo de predicción en Ultralytics YOLO , se define una función de devolución de llamada y se registra en el proceso de predicción. Las llamadas de retorno de predicción más comunes son on_predict_start, on_predict_batch_endy on_predict_end. Permiten modificar los resultados de las predicciones e integrar funciones adicionales, como el registro de datos o la transformación de resultados.

Here is an example where a custom callback is used to save predictions based on whether an object of a particular class is present:

from ultralytics import YOLO

model = YOLO("yolo11n.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 = model("pedestrians.mp4", stream=True, save=True)

for results in results:
    pass

Para un uso más exhaustivo, consulte la Guía de predicción, que incluye instrucciones detalladas y opciones de personalización adicionales.

¿Cuáles son algunos ejemplos prácticos del uso de callbacks en Ultralytics YOLO ?

Ultralytics YOLO soporta varias implementaciones prácticas de callbacks para mejorar y personalizar diferentes fases como el entrenamiento, la validación y la predicción. Algunos ejemplos prácticos son:

1. Registro de métricas personalizadas: Registre métricas adicionales en diferentes etapas, como el final de las épocas de entrenamiento o validación.
2. Aumento de datos: Implemente transformaciones o aumentos de datos personalizados durante la predicción o los lotes de entrenamiento.
3. Resultados intermedios: Guarda resultados intermedios como predicciones o fotogramas para su posterior análisis o visualización.

Ejemplo: Combinación de fotogramas con resultados de predicción durante la predicción mediante 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

Explore la Referencia completa de devolución de llamada para encontrar más opciones y ejemplos.

Creado hace 1 año ✏️ Actualizado hace 17 días

Comentarios