उन्नत अनुकूलन

दोनों Ultralytics YOLO कमांड लाइन और Python इंटरफेस बेस इंजन निष्पादकों पर बस एक उच्च-स्तरीय अमूर्तता है। आइए ट्रेनर इंजन पर एक नज़र डालें।

सतर्कता: माहिर Ultralytics YOLOv8: उन्नत अनुकूलन

बेसट्रेनर

बेसट्रेनर में जेनेरिक बॉयलरप्लेट प्रशिक्षण दिनचर्या शामिल है। इसे आवश्यक कार्यों या संचालन को ओवरराइड करने के आधार पर किसी भी कार्य के लिए अनुकूलित किया जा सकता है, जब तक कि सही प्रारूपों का पालन किया जाता है। उदाहरण के लिए, आप इन कार्यों को ओवरराइड करके अपने स्वयं के कस्टम मॉडल और डेटालोडर का समर्थन कर सकते हैं:

• get_model(cfg, weights) - वह फ़ंक्शन जो प्रशिक्षित होने के लिए मॉडल बनाता है
• get_dataloader() - फ़ंक्शन जो डेटालोडर बनाता है अधिक विवरण और स्रोत कोड में पाया जा सकता है BaseTrainer हवाला

डिटेक्शनट्रेनर

यहां बताया गया है कि आप कैसे उपयोग कर सकते हैं YOLOv8 DetectionTrainer और इसे अनुकूलित करें।

from ultralytics.models.yolo.detect import DetectionTrainer

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

डिटेक्शनट्रेनर को अनुकूलित करना

आइए ट्रेनर को कस्टमाइज़ करें कस्टम डिटेक्शन मॉडल को प्रशिक्षित करने के लिए जो सीधे समर्थित नहीं है। आप इसे केवल मौजूदा को ओवरलोड करके कर सकते हैं get_model प्रकार्यात्मकता:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model given configuration and weight files."""
        ...


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

अब आप महसूस करते हैं कि आपको ट्रेनर को और अधिक अनुकूलित करने की आवश्यकता है:

• अनुकूलित करें loss function.
• आगे कहना callback जो आपके लिए मॉडल अपलोड करता है Google हर 10 के बाद ड्राइव करें epochs यहां बताया गया है कि आप इसे कैसे कर सकते हैं:

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, weights):
        """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 callback
trainer.train()

कॉलबैक ट्रिगरिंग घटनाओं और प्रवेश बिंदु के बारे में अधिक जानने के लिए, हमारे कॉलबैक गाइड को चेकआउट करें

अन्य इंजन घटक

ऐसे अन्य घटक हैं जिन्हें इसी तरह अनुकूलित किया जा सकता है जैसे Validators और Predictors. इन पर अधिक जानकारी के लिए संदर्भ अनुभाग देखें।

अक्सर पूछे जाने वाले प्रश्न

मैं कैसे अनुकूलित करूं Ultralytics YOLOv8 विशिष्ट कार्यों के लिए डिटेक्शनट्रेनर?

अनुकूलित करने के लिए Ultralytics YOLOv8 DetectionTrainer किसी विशिष्ट कार्य के लिए, आप अपने कस्टम मॉडल और डेटालोडर के अनुकूल होने के लिए इसके तरीकों को ओवरराइड कर सकते हैं। इनहेरिट करके प्रारंभ करें DetectionTrainer और फिर तरीकों को फिर से परिभाषित करें जैसे get_model अपनी कस्टम कार्यक्षमताओं को लागू करने के लिए। यहाँ एक उदाहरण है:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model given configuration and weight files."""
        ...


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

आगे के अनुकूलन के लिए जैसे बदलना loss function या एक जोड़ना callback, आप हमारे संदर्भ कर सकते हैं कॉलबैक गाइड.

में BaseTrainer के प्रमुख घटक क्या हैं Ultralytics YOLOv8?

वही BaseTrainer में Ultralytics YOLOv8 प्रशिक्षण दिनचर्या के लिए नींव के रूप में कार्य करता है और इसके सामान्य तरीकों को ओवरराइड करके विभिन्न कार्यों के लिए अनुकूलित किया जा सकता है। प्रमुख घटकों में शामिल हैं:

• get_model(cfg, weights) प्रशिक्षित किए जाने वाले मॉडल का निर्माण करने के लिए।
• get_dataloader() डेटालोडर बनाने के लिए।

अनुकूलन और स्रोत कोड के बारे में अधिक जानकारी के लिए, देखें BaseTrainer हवाला.

मैं कॉलबैक कैसे जोड़ सकता हूं Ultralytics YOLOv8 डिटेक्शन ट्रेनर?

आप प्रशिक्षण प्रक्रिया की निगरानी और संशोधित करने के लिए कॉलबैक जोड़ सकते हैं Ultralytics YOLOv8 DetectionTrainer. उदाहरण के लिए, यहां बताया गया है कि आप प्रत्येक प्रशिक्षण युग के बाद मॉडल वेट लॉग करने के लिए कॉलबैक कैसे जोड़ सकते हैं:

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()

कॉलबैक घटनाओं और प्रवेश बिंदुओं के बारे में अधिक जानकारी के लिए, हमारे कॉलबैक गाइड को देखें।

मुझे क्यों उपयोग करना चाहिए Ultralytics YOLOv8 मॉडल प्रशिक्षण के लिए?

Ultralytics YOLOv8 शक्तिशाली इंजन निष्पादकों पर एक उच्च-स्तरीय अमूर्तता प्रदान करता है, जो इसे तेजी से विकास और अनुकूलन के लिए आदर्श बनाता है। प्रमुख लाभों में शामिल हैं:

• उपयोग में आसानी: कमांड-लाइन और दोनों Python इंटरफेस जटिल कार्यों को सरल बनाते हैं।
• प्रदर्शन: वास्तविक समय वस्तु का पता लगाने और विभिन्न दृष्टि एआई अनुप्रयोगों के लिए अनुकूलित।
• अनुकूलन: कस्टम मॉडल, हानि कार्यों और डेटालोडर के लिए आसानी से विस्तार योग्य।

इसके बारे में अधिक जानें YOLOv8पर जाकर क्षमताओं Ultralytics YOLO.

क्या मैं Ultralytics YOLOv8 गैर-मानक मॉडल के लिए डिटेक्शनट्रेनर?

हाँ Ultralytics YOLOv8 DetectionTrainer अत्यधिक लचीला है और गैर-मानक मॉडल के लिए अनुकूलित किया जा सकता है। से विरासत में मिला DetectionTrainer, आप अपने विशिष्ट मॉडल की जरूरतों का समर्थन करने के लिए विभिन्न तरीकों को अधिभार दे सकते हैं। यहाँ एक सरल उदाहरण है:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model."""
        ...


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

अधिक व्यापक निर्देशों और उदाहरणों के लिए, DetectionTrainer दस्तावेज़ीकरण की समीक्षा करें।

टिप्पणियाँ