Personalizzazione avanzata

Entrambe le interfacce Ultralytics YOLO a riga di comando e Python sono semplicemente un'astrazione di alto livello sugli esecutori del motore di base. Diamo un'occhiata al motore Trainer.

Guarda: Mastering Ultralytics YOLOv8 : Personalizzazione avanzata

Allenatore di base

BaseTrainer contiene la routine di formazione generica. Può essere personalizzato per qualsiasi attività, sovrascrivendo le funzioni o le operazioni necessarie, purché vengano rispettati i formati corretti. Ad esempio, puoi supportare un modello e un dataloader personalizzati semplicemente sovrascrivendo queste funzioni:

• get_model(cfg, weights) - La funzione che costruisce il modello da addestrare
• get_dataloader() - La funzione che costruisce il dataloader Maggiori dettagli e codice sorgente sono disponibili in BaseTrainer Riferimento

Addestratore di rilevamento

Ecco come puoi utilizzare la funzione YOLOv8 DetectionTrainer e personalizzarlo.

from ultralytics.models.yolo.detect import DetectionTrainer

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

Personalizzare il DetectionTrainer

Personalizziamo il trainer per addestrare un modello di rilevamento personalizzato che non è supportato direttamente. Puoi farlo semplicemente sovraccaricando la funzione esistente the get_model funzionalità:

from ultralytics.models.yolo.detect import DetectionTrainer


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


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

Ora ti rendi conto che devi personalizzare ulteriormente il trainer:

• Personalizza il sito loss function.
• Aggiungi callback che carica il modello su Google Drive dopo ogni 10 epochs Ecco come puoi farlo:

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()

Per saperne di più sugli eventi di attivazione delle Callback e sul punto di ingresso, consulta la nostra Guida alle Callback.

Altri componenti del motore

Ci sono altri componenti che possono essere personalizzati in modo simile, come ad esempio Validators e Predictors. Per ulteriori informazioni, consulta la sezione Riferimenti.

Commenti