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 llamada de retorno acepta un Trainer, Validatoro Predictor en función del tipo de operación. Todas las propiedades de estos objetos se encuentran en la sección Referencia de la documentación.

Observa: Dominar Ultralytics YOLOv8 : Devoluciones de llamada

Ejemplos

Devolución de información adicional con Predicción

En este ejemplo, queremos devolver el fotograma original con cada objeto resultado. 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("yolov8n.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 rellamadas

Aquí están todas las llamadas de retorno admitidas. Consulta el código fuente de las llamadas de retorno para más detalles.

Llamadas del formador

Llamadas de retorno del Validador

Llamadas de retorno del predictor

Llamadas de retorno del exportador

PREGUNTAS FRECUENTES

¿Qué son las devoluciones de llamada de Ultralytics y cómo puedo utilizarlas?

Ultralytics devoluciones de llamada son puntos de entrada especializados que se activan durante etapas clave de las operaciones del modelo, como el entrenamiento, la validación, la exportación y la predicción. Estas llamadas de retorno 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, consulta la sección Sección de referencia.

Para utilizar una llamada de retorno, puedes definir una función y añadirla al modelo con la función add_callback método. Aquí tienes 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("yolov8n.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 devoluciones de llamada?

Para personalizar tu rutina de entrenamiento de Ultralytics utilizando callbacks, puedes inyectar tu 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. Te permiten añadir métricas, procesamientos o registros personalizados.

Aquí tienes un ejemplo de cómo registrar métricas adicionales al final de cada época de entrenamiento:

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("yolov8n.pt")
model.add_callback("on_train_epoch_end", on_train_epoch_end)
model.train(data="coco.yaml", epochs=10)

Consulta la Guía de Formación para obtener más detalles sobre cómo utilizar eficazmente las llamadas de formación.

¿Por qué debo utilizar llamadas de retorno 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 completos.

Por ejemplo, puede que quieras registrar métricas de validación adicionales o guardar resultados intermedios para analizarlos más adelante. Aquí tienes un ejemplo de cómo registrar métricas personalizadas al final de la validación:

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("yolov8n.pt")
model.add_callback("on_val_end", on_val_end)
model.val(data="coco.yaml")

Consulta la Guía de validación para obtener más información sobre la incorporación de devoluciones de llamada a tu proceso de validación.

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

Para adjuntar una llamada de retorno personalizada para el modo predicción en Ultralytics YOLO , defines una función de devolución de llamada y la registras 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 funcionalidades adicionales, como el registro de datos o la transformación de resultados.

Aquí tienes un ejemplo en el que se utiliza una llamada de retorno personalizada para registrar predicciones:

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("yolov8n.pt")
model.add_callback("on_predict_end", on_predict_end)
results = model.predict(source="image.jpg")

Para un uso más completo, consulta la Guía de Predicción, que incluye instrucciones detalladas y opciones de personalización adicionales.

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

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

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

Ejemplo: Combinar fotogramas con resultados de predicción durante la predicción utilizando 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("yolov8n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Explora la Referencia Completa de Devolución de Llamada para encontrar más opciones y ejemplos.

Comentarios