高度なカスタマイズ
Ultralytics YOLOのコマンドラインとpythonインターフェースはどちらも、ベースエンジンのexecutor上に構築された高レベルの抽象化です。このガイドでは、 Trainer エンジン。特定のニーズに合わせてカスタマイズする方法を説明します。
見る: Ultralytics YOLOの習得：高度なカスタマイズ
BaseTrainer
The BaseTrainer クラスは、様々なタスクに適応可能な汎用的なトレーニングルーチンを提供します。必要な形式を遵守しながら、特定の関数または操作をオーバーライドしてカスタマイズします。たとえば、以下の関数をオーバーライドして、独自のカスタムモデルとデータローダーを統合します。
get_model(cfg, weights): トレーニングするモデルを構築します。get_dataloader(): データローダーを構築します。
詳細とソースコードについては、以下を参照してください。 BaseTrainer リファレンス.
DetectionTrainer
Ultralytics YOLOの使用方法とカスタマイズ方法を以下に示します。 DetectionTrainer:
from ultralytics.models.yolo.detect import DetectionTrainer
trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best # Get the best model
DetectionTrainerのカスタマイズ
直接サポートされていないカスタム検出モデルをトレーニングするには、既存のものをオーバーロードします。 get_model 機能：
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()
損失関数を変更するか、モデルを10エポックごとにGoogleドライブにアップロードするコールバックを追加して、トレーナーをさらにカスタマイズします。次に例を示します。
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 callbacks
trainer.train()
コールバックトリガーイベントとエントリポイントの詳細については、コールバックガイドを参照してください。
その他のエンジンコンポーネント
次のような他のコンポーネントをカスタマイズします Validators および Predictors 同様です。詳細については、ドキュメントを参照してください。 バリデーター および 予測子.
カスタムトレーナーでのYOLOの使用
The YOLO model classは、Trainerクラスの高レベルラッパーを提供します。このアーキテクチャを利用して、機械学習ワークフローの柔軟性を高めることができます。
from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer
# Create a custom trainer
class MyCustomTrainer(DetectionTrainer):
def get_model(self, cfg, weights):
"""Custom code implementation."""
...
# Initialize YOLO model
model = YOLO("yolo11n.pt")
# Train with custom trainer
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)
このアプローチを使用すると、特定の要件に合わせて基盤となるトレーニングプロセスをカスタマイズしながら、YOLOインターフェイスのシンプルさを維持できます。
よくある質問
特定のタスクに合わせてUltralytics YOLO DetectionTrainerをカスタマイズするにはどうすればよいですか？
～をカスタマイズ DetectionTrainer カスタムモデルとデータローダーに適応させるために、そのメソッドをオーバーライドすることによって、特定のタスクに対応します。まず、以下から継承します。 DetectionTrainer そして、次のようなメソッドを再定義します。 get_model カスタム機能を実装します。以下に例を示します：
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 the best model
損失関数の変更やコールバックの追加など、さらにカスタマイズするには、コールバックガイドを参照してください。
Ultralytics YOLOにおけるBaseTrainerの主要な構成要素は何ですか？
The BaseTrainer 汎用的なメソッドをオーバーライドすることで、さまざまなタスクに合わせてカスタマイズ可能なトレーニングルーチンの基盤として機能します。主なコンポーネントは次のとおりです。
get_model(cfg, weights): トレーニングするモデルを構築します。get_dataloader(): データローダーを構築します。preprocess_batch(): モデルの順伝播パスの前にバッチの前処理を処理します。set_model_attributes(): データセットの情報に基づいてモデルの属性を設定します。get_validator(): モデル評価用のバリデーターを返します。
カスタマイズとソースコードの詳細については、以下を参照してください。 BaseTrainer リファレンス.
Ultralytics YOLO DetectionTrainerにコールバックを追加するにはどうすればよいですか？
コールバックを追加して、トレーニングプロセスを監視および変更します。 DetectionTrainer学習のたびにモデルの重みを記録するコールバックを追加する方法を以下に示します。 エポック:
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()
コールバックイベントとエントリポイントの詳細については、コールバックガイドを参照してください。
モデルトレーニングにUltralytics YOLOを使用する理由
Ultralytics YOLOは、強力なエンジンエグゼキュータに対する高レベルの抽象化を提供し、迅速な開発とカスタマイズを可能にします。主な利点は次のとおりです。
- 使いやすさ: コマンドラインと python インターフェースの両方で、複雑なタスクを簡素化します。
- パフォーマンス: リアルタイムの物体検出や様々なVision AIアプリケーション向けに最適化されています。
- カスタマイズ: カスタムモデル、損失関数、およびデータローダー用に簡単に拡張できます。
- モジュール性: コンポーネントは、パイプライン全体に影響を与えることなく個別に変更できます。
- 統合：MLエコシステムにおける一般的なフレームワークやツールとシームレスに連携します。
メインのUltralytics YOLOページを調べて、YOLOの機能について詳しく学びましょう。
Ultralytics YOLO DetectionTrainerを非標準モデルに使用できますか？
はい、 DetectionTrainer は、非標準モデルに対して非常に柔軟でカスタマイズ可能です。から継承します。 DetectionTrainer そして、特定のモデルのニーズに合わせてメソッドをオーバーロードします。簡単な例を次に示します。
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()
包括的な手順と例については、以下を確認してください。 DetectionTrainer リファレンス.
