Personalización avanzada

Tanto la interfaz de línea de comandos Ultralytics YOLO como Python son simplemente una abstracción de alto nivel sobre los ejecutores del motor base. Echemos un vistazo al motor Entrenador.

Observa: Dominio de Ultralytics YOLOv8 : Personalización avanzada

BaseTrainer

BaseTrainer contiene la rutina de entrenamiento genérica. Se puede personalizar para cualquier tarea sobreescribiendo las funciones u operaciones necesarias, siempre que se sigan los formatos correctos. Por ejemplo, puedes utilizar tu propio modelo y cargador de datos personalizados simplemente sobreescribiendo estas funciones:

• get_model(cfg, weights) - La función que construye el modelo a entrenar
• get_dataloader() - La función que construye el cargador de datos Puedes encontrar más detalles y el código fuente en BaseTrainer Referencia

DetecciónEntrenador

A continuación te explicamos cómo puedes utilizar la YOLOv8 DetectionTrainer y personalízalo.

from ultralytics.models.yolo.detect import DetectionTrainer

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

Personalizar el DetectionTrainer

Personalicemos el entrenador para entrenar un modelo de detección personalizado que no se admite directamente. Puedes hacerlo simplemente sobrecargando la función existente get_model funcionalidad:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        ...


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

Ahora te das cuenta de que necesitas personalizar más el entrenador para:

• Personaliza el loss function.
• Añade callback que sube modelos a tu Google Drive cada 10 epochs He aquí cómo puedes hacerlo:

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


class MyCustomModel(DetectionModel):
    def init_criterion(self):
        ...


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        return MyCustomModel(...)


# callback to upload model weights
def log_model(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 callback
trainer.train()

Para saber más sobre los eventos desencadenantes de devolución de llamada y el punto de entrada, consulta nuestra Guía de Devoluciones de llamada

Otros componentes del motor

Hay otros componentes que se pueden personalizar de forma similar, como Validators y Predictors. Consulta la sección Referencia para obtener más información al respecto.

Comentarios