콜백

Q: What are Ultralytics callbacks and how can I use them?

Ultralytics 콜백은 훈련, 유효성 검사, 내보내기, 예측과 같은 모델 작업의 주요 단계에서 트리거되는 특수한 진입점입니다. 이러한 콜백을 사용하면 프로세스의 특정 지점에서 사용자 지정 기능을 사용할 수 있으므로 워크플로를 개선하고 수정할 수 있습니다. 각 콜백은 작업 유형에 따라 트레이너, 검증자 또는 예측자 개체를 허용합니다. 이러한 개체의 자세한 속성은 참조 섹션을 참조하세요. 콜백을 사용하려면 함수를 정의한 다음 add_callback 메서드를 사용하여 모델에 추가할 수 있습니다. 다음은 예측 중에 추가 정보를 반환하는 방법의 예입니다:

Q: How can I customize Ultralytics training routine using callbacks?

To customize your Ultralytics training routine using callbacks, you can inject your logic at specific stages of the training process. Ultralytics YOLO provides a variety of training callbacks such as on_train_start, on_train_end, and on_train_batch_end. These allow you to add custom metrics, processing, or logging. Here's an example of how to freeze BatchNorm statistics when freezing layers with callbacks: Refer to the Training Guide for more details on how to effectively use training callbacks.

Q: Why should I use callbacks during validation in Ultralytics YOLO?

Using callbacks during validation in Ultralytics YOLO can enhance model evaluation by allowing custom processing, logging, or metrics calculation. Callbacks such as on_val_start, on_val_batch_end, and on_val_end provide entry points to inject custom logic, ensuring detailed and comprehensive validation processes. For instance, you might want to plot all the validation batches, instead of just the first 3. Here's how you can do that: Check out the Validation Guide for further insights on incorporating callbacks into your validation process.

Q: How do I attach a custom callback for the prediction mode in Ultralytics YOLO?

To attach a custom callback for the prediction mode in Ultralytics YOLO, you define a callback function and register it with the prediction process. Common prediction callbacks include on_predict_start, on_predict_batch_end, and on_predict_end. These allow for modification of prediction outputs and integration of additional functionalities like data logging or result transformation. Here is an example where a custom callback is used to save predictions based on whether an object of a particular class is present: For more comprehensive usage, refer to the Prediction Guide which includes detailed instructions and additional customization options.

콜백

Ultralytics 프레임워크는 트레인, 밸, 내보내기, 예측 모드의 전략적 단계에서 콜백을 진입점으로 지원합니다. 각 콜백은 Trainer, Validator또는 Predictor 객체를 사용할 수 있습니다. 이러한 객체의 모든 속성은 문서의 참조 섹션에서 찾을 수 있습니다.

Watch: 마스터링 Ultralytics YOLO : 콜백

예제

예측으로 추가 정보 반환

이 예제에서는 각 결과 객체와 함께 원본 프레임을 반환하려고 합니다. 이를 수행하는 방법은 다음과 같습니다.

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Handle prediction batch end by combining results with corresponding frames; modifies predictor results."""
    _, image, _, _ = predictor.batch

    # Ensure that image is a list
    image = image if isinstance(image, list) else [image]

    # Combine the prediction results with the corresponding frames
    predictor.results = zip(predictor.results, image)


# Create a YOLO model instance
model = YOLO("yolo11n.pt")

# Add the custom callback to the model
model.add_callback("on_predict_batch_end", on_predict_batch_end)

# Iterate through the results and frames
for result, frame in model.predict():  # or model.track()
    pass

모든 콜백

지원되는 모든 콜백은 다음과 같습니다. 자세한 내용은 콜백 소스 코드를 참조하세요.

트레이너 콜백

콜백	설명
`on_pretrain_routine_start`	사전 훈련 루틴이 시작될 때 트리거됩니다.
`on_pretrain_routine_end`	사전 훈련 루틴이 끝나면 트리거됩니다.
`on_train_start`	트레이닝 시작 시 트리거됨
`on_train_epoch_start`	각 훈련 에포크가 시작될 때 트리거됩니다.
`on_train_batch_start`	각 교육 배치가 시작될 때 트리거됩니다.
`optimizer_step`	옵티마이저 단계에서 트리거됨
`on_before_zero_grad`	그라데이션이 0이 되기 전에 트리거됩니다.
`on_train_batch_end`	각 교육 배치가 끝날 때마다 트리거됩니다.
`on_train_epoch_end`	각 훈련 에포크가 끝날 때마다 트리거됩니다.
`on_fit_epoch_end`	각 핏 에포크가 끝날 때마다 트리거됩니다.
`on_model_save`	모델이 저장될 때 트리거됩니다.
`on_train_end`	교육 프로세스가 종료되면 트리거됩니다.
`on_params_update`	모델 파라미터가 업데이트될 때 트리거됩니다.
`teardown`	교육 프로세스가 정리 중일 때 트리거됩니다.

유효성 검사기 콜백

콜백	설명
`on_val_start`	유효성 검사가 시작될 때 트리거됩니다.
`on_val_batch_start`	각 유효성 검사 배치가 시작될 때 트리거됩니다.
`on_val_batch_end`	각 유효성 검사 배치가 끝날 때 트리거됩니다.
`on_val_end`	유효성 검사가 종료되면 트리거됩니다.

예측자 콜백

콜백	설명
`on_predict_start`	예측 프로세스가 시작될 때 트리거됩니다.
`on_predict_batch_start`	각 예측 배치가 시작될 때 트리거됩니다.
`on_predict_postprocess_end`	예측 후처리 종료 시 트리거됨
`on_predict_batch_end`	각 예측 배치가 끝날 때 트리거됩니다.
`on_predict_end`	예측 프로세스가 종료되면 트리거됩니다.

내보내기 콜백

콜백	설명
`on_export_start`	내보내기 프로세스가 시작될 때 트리거됩니다.
`on_export_end`	내보내기 프로세스가 종료되면 트리거됩니다.

자주 묻는 질문

Ultralytics 콜백이란 무엇이며 어떻게 사용하나요?

Ultralytics 콜백 은 훈련, 유효성 검사, 내보내기, 예측과 같은 모델 작업의 주요 단계에서 트리거되는 특수한 진입점입니다. 이러한 콜백을 통해 프로세스의 특정 지점에서 사용자 지정 기능을 사용할 수 있으므로 워크플로우를 개선하고 수정할 수 있습니다. 각 콜백은 Trainer, Validator또는 Predictor 객체를 사용할 수 있습니다. 이러한 개체의 자세한 속성에 대한 자세한 내용은 참조 섹션.

콜백을 사용하려면 함수를 정의한 다음 모델에 add_callback 메서드를 사용하세요. 다음은 예측 중에 추가 정보를 반환하는 방법의 예입니다:

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Handle prediction batch end by combining results with corresponding frames; modifies predictor results."""
    _, image, _, _ = predictor.batch
    image = image if isinstance(image, list) else [image]
    predictor.results = zip(predictor.results, image)


model = YOLO("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

콜백을 사용하여 Ultralytics 교육 루틴을 사용자 지정하려면 어떻게 해야 하나요?

콜백을 사용하여 Ultralytics 교육 루틴을 사용자 지정하려면 교육 프로세스의 특정 단계에 로직을 삽입할 수 있습니다. Ultralytics YOLO 에서는 다음과 같은 다양한 교육 콜백을 제공합니다. on_train_start, on_train_end및 on_train_batch_end. 이를 통해 사용자 지정 메트릭, 처리 또는 로깅을 추가할 수 있습니다.

Here's an example of how to freeze BatchNorm statistics when freezing layers with callbacks:

from ultralytics import YOLO


# Add a callback to put the frozen layers in eval mode to prevent BN values from changing
def put_in_eval_mode(trainer):
    n_layers = trainer.args.freeze
    if not isinstance(n_layers, int):
        return

    for i, (name, module) in enumerate(trainer.model.named_modules()):
        if name.endswith("bn") and int(name.split(".")[1]) < n_layers:
            module.eval()
            module.track_running_stats = False


model = YOLO("yolo11n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

교육 콜백을 효과적으로 사용하는 방법에 대한 자세한 내용은 교육 가이드를 참조하세요.

Ultralytics YOLO 에서 유효성 검사 중에 콜백을 사용해야 하는 이유는 무엇인가요?

사용 유효성 검사 중 콜백 의 Ultralytics YOLO 에서 사용자 지정 처리, 로깅 또는 메트릭 계산을 허용하여 모델 평가를 향상시킬 수 있습니다. 다음과 같은 콜백 on_val_start, on_val_batch_end및 on_val_end 사용자 지정 로직을 삽입할 수 있는 진입점을 제공하여 상세하고 포괄적인 유효성 검사 프로세스를 보장합니다.

For instance, you might want to plot all the validation batches, instead of just the first 3. Here's how you can do that:

import inspect

from ultralytics import YOLO


def plot_samples(validator):
    frame = inspect.currentframe().f_back.f_back
    v = frame.f_locals
    validator.plot_val_samples(v["batch"], v["batch_i"])
    validator.plot_predictions(v["batch"], v["preds"], v["batch_i"])


model = YOLO("yolo11n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

유효성 검사 프로세스에 콜백을 통합하는 방법에 대한 자세한 내용은 유효성 검사 가이드를 확인하세요.

예측 모드에 대한 사용자 지정 콜백을 Ultralytics YOLO 에 어떻게 첨부하나요?

사용자 지정 콜백을 첨부하려면 예측 모드 Ultralytics YOLO 에서 콜백 함수를 정의하고 예측 프로세스에 등록합니다. 일반적인 예측 콜백은 다음과 같습니다. on_predict_start, on_predict_batch_end및 on_predict_end. 이를 통해 예측 출력을 수정하고 데이터 로깅 또는 결과 변환과 같은 추가 기능을 통합할 수 있습니다.

Here is an example where a custom callback is used to save predictions based on whether an object of a particular class is present:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

class_id = 2


def save_on_object(predictor):
    r = predictor.results[0]
    if class_id in r.boxes.cls:
        predictor.args.save = True
    else:
        predictor.args.save = False


model.add_callback("on_predict_postprocess_end", save_on_object)
results = model("pedestrians.mp4", stream=True, save=True)

for results in results:
    pass

보다 자세한 사용법은 자세한 지침과 추가 사용자 지정 옵션이 포함된 예측 가이드를 참조하세요.

Ultralytics YOLO 에서 콜백을 사용하는 몇 가지 실제 예는 무엇인가요?

Ultralytics YOLO 는 교육, 검증 및 예측과 같은 다양한 단계를 개선하고 사용자 지정하기 위해 콜백의 다양한 실제 구현을 지원합니다. 몇 가지 실용적인 예는 다음과 같습니다:

사용자 지정 지표 로깅: 교육 종료 또는 검증 기간과 같은 다양한 단계에서 추가 지표를 기록합니다.
데이터 증강: 예측 또는 학습 배치 중에 사용자 지정 데이터 변환 또는 증강을 구현합니다.
중간 결과: 추가 분석 또는 시각화를 위해 예측 또는 프레임과 같은 중간 결과를 저장합니다.

예시: 다음을 사용하여 예측 중에 프레임을 예측 결과와 결합하기 on_predict_batch_end:

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Combine prediction results with frames."""
    _, image, _, _ = predictor.batch
    image = image if isinstance(image, list) else [image]
    predictor.results = zip(predictor.results, image)


model = YOLO("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass