Come posso personalizzare Ultralytics YOLO DetectionTrainer per compiti specifici?

Personalizza DetectionTrainer per compiti specifici sovrascrivendo i suoi metodi per adattarli al tuo modello e al tuo dataloader personalizzati. Inizia ereditando da DetectionTrainer e ridefinisci metodi come get_model per implementare funzionalità personalizzate. Ecco un esempio: Per un'ulteriore personalizzazione, come la modifica della loss function o l'aggiunta di un callback, fai riferimento alla Callbacks Guide.

Quali sono i componenti chiave di BaseTrainer in Ultralytics YOLO?

BaseTrainer funge da base per le routine di addestramento, personalizzabili per vari compiti sovrascrivendo i suoi metodi generici. I componenti chiave includono: get_model(cfg, weights): Costruisce il modello da addestrare. get_dataloader(): Costruisce il dataloader. preprocess_batch(): Gestisce la preelaborazione dei batch prima del passaggio in avanti del modello. set_model_attributes(): Imposta gli attributi del modello in base alle informazioni del dataset. get_validator(): Restituisce un validatore per la valutazione del modello. Per maggiori dettagli sulla personalizzazione e sul codice sorgente, consulta la BaseTrainer Reference.

Perché dovrei usare Ultralytics YOLO per l'addestramento dei modelli?

Ultralytics YOLO fornisce un'astrazione di alto livello su potenti esecutori del motore, rendendolo ideale per lo sviluppo rapido e la personalizzazione. I principali vantaggi includono: Facilità d'uso: Sia l'interfaccia a riga di comando sia quella in Python semplificano compiti complessi. Prestazioni: Ottimizzato per il object detection in tempo reale e varie applicazioni di visione IA. Personalizzazione: Facilmente estendibile per modelli personalizzati, loss functions e dataloader. Modularità: I componenti possono essere modificati indipendentemente senza influire sull'intera pipeline. Integrazione: Funziona perfettamente con framework e strumenti popolari nell'ecosistema ML. Scopri di più sulle funzionalità di YOLO esplorando la pagina principale di Ultralytics YOLO.

Posso usare Ultralytics YOLO DetectionTrainer per modelli non standard?

Sì, DetectionTrainer è altamente flessibile e personalizzabile per modelli non standard. Eredita da DetectionTrainer ed esegui l'overload dei metodi per supportare le esigenze specifiche del tuo modello. Ecco un semplice esempio: Per istruzioni ed esempi completi, rivedi la DetectionTrainer Reference.

Personalizzazione Avanzata#

Sia l'interfaccia a riga di comando di Ultralytics YOLO sia quella in Python sono astrazioni di alto livello basate su esecutori del motore di base. Questa guida si concentra sul motore Trainer, spiegando come personalizzarlo per le tue esigenze specifiche.

Watch: Mastering Ultralytics YOLO: Advanced Customization

Suggerimento

Per esempi pratici di personalizzazioni comuni del trainer — metriche personalizzate, perdita pesata per classe, salvataggio del modello, congelamento del backbone e tassi di apprendimento per livello — consulta la guida Customizing Trainer.

BaseTrainer#

La classe BaseTrainer fornisce una routine di addestramento generica adattabile a vari compiti. Personalizzala sovrascrivendo funzioni o operazioni specifiche pur rispettando i formati richiesti. Ad esempio, integra il tuo modello e il tuo dataloader personalizzati sovrascrivendo queste funzioni:

get_model(cfg, weights): Costruisce il modello da addestrare.
get_dataloader(): Costruisce il dataloader.

Per maggiori dettagli e per il codice sorgente, consulta la BaseTrainer Reference.

DetectionTrainer#

Ecco come usare e personalizzare Ultralytics YOLO DetectionTrainer:

from ultralytics.models.yolo.detect import DetectionTrainer

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

Personalizzazione di DetectionTrainer#

Per addestrare un modello di rilevamento personalizzato non direttamente supportato, esegui l'overload della funzionalità esistente di get_model:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""

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

Personalizza ulteriormente il trainer modificando la loss function o aggiungendo un callback per caricare il modello su Google Drive ogni 10 epochs. Ecco un esempio:

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=None, weights=None, verbose=True):
        """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 callbacks
trainer.train()

Per ulteriori informazioni sugli eventi di attivazione dei callback e sui punti di ingresso, consulta la Callbacks Guide.

Altri componenti del motore#

Personalizza altri componenti come Validators e Predictors in modo simile. Per maggiori informazioni, fai riferimento alla documentazione per Validators e Predictors.

Uso di YOLO con trainer personalizzati#

La classe di modello YOLO fornisce un wrapper di alto livello per le classi Trainer. Puoi sfruttare questa architettura per una maggiore flessibilità nei tuoi flussi di lavoro di machine learning:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

# Create a custom trainer
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Custom code implementation."""

# Initialize YOLO model
model = YOLO("yolo26n.pt")

# Train with custom trainer
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

Questo approccio ti consente di mantenere la semplicità dell'interfaccia YOLO personalizzando al contempo il processo di addestramento sottostante per soddisfare le tue esigenze specifiche.

FAQ#

Personalizza DetectionTrainer per compiti specifici sovrascrivendo i suoi metodi per adattarli al tuo modello e al tuo dataloader personalizzati. Inizia ereditando da DetectionTrainer e ridefinisci metodi come get_model per implementare funzionalità personalizzate. Ecco un esempio:
from ultralytics.models.yolo.detect import DetectionTrainer class CustomTrainer(DetectionTrainer): def get_model(self, cfg=None, weights=None, verbose=True): """Loads a custom detection model given configuration and weight files.""" trainer = CustomTrainer(overrides={...}) trainer.train() trained_model = trainer.best # Get the best model
Per un'ulteriore personalizzazione, come la modifica della loss function o l'aggiunta di un callback, fai riferimento alla Callbacks Guide.
BaseTrainer funge da base per le routine di addestramento, personalizzabili per vari compiti sovrascrivendo i suoi metodi generici. I componenti chiave includono:
- get_model(cfg, weights): Costruisce il modello da addestrare.
- get_dataloader(): Costruisce il dataloader.
- preprocess_batch(): Gestisce la preelaborazione dei batch prima del passaggio in avanti del modello.
- set_model_attributes(): Imposta gli attributi del modello in base alle informazioni del dataset.
- get_validator(): Restituisce un validatore per la valutazione del modello.
Per maggiori dettagli sulla personalizzazione e sul codice sorgente, consulta la BaseTrainer Reference.

Aggiungi callback per monitorare e modificare il processo di addestramento in DetectionTrainer. Ecco come aggiungere un callback per registrare i pesi del modello dopo ogni epoch di addestramento:

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()

Per maggiori dettagli sugli eventi di callback e sui punti di ingresso, fai riferimento alla Callbacks Guide.

Ultralytics YOLO fornisce un'astrazione di alto livello su potenti esecutori del motore, rendendolo ideale per lo sviluppo rapido e la personalizzazione. I principali vantaggi includono:
- Facilità d'uso: Sia l'interfaccia a riga di comando sia quella in Python semplificano compiti complessi.
- Prestazioni: Ottimizzato per il object detection in tempo reale e varie applicazioni di visione IA.
- Personalizzazione: Facilmente estendibile per modelli personalizzati, loss functions e dataloader.
- Modularità: I componenti possono essere modificati indipendentemente senza influire sull'intera pipeline.
- Integrazione: Funziona perfettamente con framework e strumenti popolari nell'ecosistema ML.
Scopri di più sulle funzionalità di YOLO esplorando la pagina principale di Ultralytics YOLO.
Sì, DetectionTrainer è altamente flessibile e personalizzabile per modelli non standard. Eredita da DetectionTrainer ed esegui l'overload dei metodi per supportare le esigenze specifiche del tuo modello. Ecco un semplice esempio:
from ultralytics.models.yolo.detect import DetectionTrainer class CustomDetectionTrainer(DetectionTrainer): def get_model(self, cfg=None, weights=None, verbose=True): """Loads a custom detection model.""" trainer = CustomDetectionTrainer(overrides={...}) trainer.train()
Per istruzioni ed esempi completi, rivedi la DetectionTrainer Reference.

Contributori

GLglenn-jocher¹³ RAraimbekovm² RIRizwanMunawar²

Creato 12 nov 2023Aggiornato mese scorso