Devoluciones de llamada

El marco de Ultralytics admite callbacks, que sirven como puntos de entrada en etapas estratégicas durante el train, val, exporty predict modos. Cada devolución de llamada acepta un Trainer, Validatoro Predictor en función del tipo de operación. Todas las propiedades de estos objetos se detallan en el Sección de referencia de la documentación.

Observa: Dominio de Ultralytics YOLO : Devoluciones de llamada

Ejemplos

Devolución de información adicional con predicción

En este ejemplo, demostramos cómo devolver el fotograma original junto con cada objeto resultante:

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Combine prediction results with corresponding frames."""
    _, 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

A continuación se muestran todas las callbacks soportadas. Para más detalles, consulte el código fuente de las llamadas de retorno.

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?

Los callbacks de Ultralytics 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 habilitan funcionalidades personalizadas 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, defina una función y añádala al modelo mediante la función model.add_callback() método. He aquí un ejemplo de devolución de 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 Ultralytics mediante callbacks?

Personalice su rutina de entrenamiento Ultralytics inyectando 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_endque permiten añadir métricas, procesamientos o registros personalizados.

A continuación se explica cómo congelar las estadísticas de BatchNorm al congelar capas con 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)

Para obtener más información sobre el uso eficaz de las retrollamadas de formación, consulte la Guía de formación.

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

El uso de callbacks durante la validación en Ultralytics YOLO mejora la evaluación del modelo al permitir 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.

Por ejemplo, para trazar todos los lotes de validación en lugar de sólo los tres primeros:

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")

Para obtener más información sobre la incorporación de devoluciones de llamada en el proceso de validación, consulte la Guía 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 el modo de predicción en Ultralytics YOLO, defina una función de llamada de retorno y regístrela con el proceso de predicción. Los callbacks de predicción más comunes son on_predict_start, on_predict_batch_endy on_predict_end. Permiten modificar los resultados de las predicciones e integrar funcionalidades adicionales, como el registro de datos o la transformación de resultados.

Este es un ejemplo donde un callback personalizado guarda predicciones basadas en si un objeto de una clase en particular está presente:

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:

• Registro de métricas personalizadas: Registra métricas adicionales en diferentes etapas, como al final de las épocas de entrenamiento o validación.
• Aumento de datos: Implemente transformaciones o aumentos de datos personalizados durante la predicción o los lotes de entrenamiento.
• 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 el código fuente de la llamada de retorno para ver más opciones y ejemplos.

Creado hace 1 año ✏️ Actualizado hace 10 días

Comentarios