고급 사용자 지정

Ultralytics YOLO의 명령줄 인터페이스와 Python 인터페이스는 모두 기본 엔진 실행기(engine executor)를 기반으로 구축된 고수준 추상화입니다. 이 가이드는 Trainer 엔진에 중점을 두어, 특정 요구 사항에 맞게 이를 사용자 지정하는 방법을 설명합니다.

Watch: Mastering Ultralytics YOLO: Advanced Customization

팁

사용자 지정 메트릭, 클래스 가중치 손실(class-weighted loss), 모델 저장, 백본 동결(backbone freezing), 레이어별 학습률 등 일반적인 트레이너 사용자 지정의 실제 예제는 Customizing Trainer 가이드를 참조하십시오.

BaseTrainer

BaseTrainer 클래스는 다양한 작업에 적용할 수 있는 일반적인 학습 루틴을 제공합니다. 필수 형식을 준수하면서 특정 함수나 작업을 재정의(override)하여 사용자 지정하십시오. 예를 들어, 다음 함수들을 재정의하여 자신만의 사용자 지정 모델과 데이터로더를 통합할 수 있습니다:

get_model(cfg, weights): 학습할 모델을 빌드합니다.
get_dataloader(): 데이터로더를 빌드합니다.

자세한 내용과 소스 코드는 BaseTrainer Reference를 참조하십시오.

DetectionTrainer

Ultralytics YOLO DetectionTrainer를 사용하고 사용자 지정하는 방법은 다음과 같습니다:

from ultralytics.models.yolo.detect import DetectionTrainer

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

DetectionTrainer 사용자 지정

직접 지원되지 않는 사용자 지정 탐지 모델을 학습하려면 기존 get_model 기능을 오버로드(overload)하십시오:

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()

손실 함수를 수정하거나 콜백을 추가하여 10 에폭마다 모델을 Google Drive에 업로드하도록 트레이너를 추가로 사용자 지정할 수 있습니다. 다음은 예제입니다:

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()

콜백 트리거 이벤트 및 진입점에 대한 자세한 내용은 Callbacks Guide를 참조하십시오.

기타 엔진 구성 요소

Validators 및 Predictors와 같은 다른 구성 요소도 유사하게 사용자 지정할 수 있습니다. 자세한 내용은 Validators 및 Predictors 문서를 참조하십시오.

사용자 지정 트레이너와 함께 YOLO 사용하기

YOLO 모델 클래스는 트레이너 클래스를 위한 고수준 래퍼(wrapper)를 제공합니다. 머신 러닝 워크플로에서 더 큰 유연성을 얻기 위해 이 아키텍처를 활용할 수 있습니다:

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)

이 접근 방식을 사용하면 YOLO 인터페이스의 단순성을 유지하면서 특정 요구 사항에 맞게 기본 학습 과정을 사용자 지정할 수 있습니다.

자주 묻는 질문(FAQ)

특정 작업을 위해 Ultralytics YOLO DetectionTrainer를 어떻게 사용자 지정합니까?

사용자 지정 모델 및 데이터로더에 맞게 메서드를 재정의하여 특정 작업에 대해 DetectionTrainer를 사용자 지정하십시오. DetectionTrainer를 상속받아 get_model과 같은 메서드를 재정의하여 사용자 지정 기능을 구현하십시오. 다음은 예제입니다:

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

손실 함수 변경 또는 콜백 추가와 같은 추가 사용자 지정은 Callbacks Guide를 참조하십시오.

Ultralytics YOLO에서 BaseTrainer의 주요 구성 요소는 무엇입니까?

BaseTrainer는 학습 루틴의 기반이 되며, 일반 메서드를 재정의하여 다양한 작업에 맞게 사용자 지정할 수 있습니다. 주요 구성 요소는 다음과 같습니다:

get_model(cfg, weights): 학습할 모델을 빌드합니다.
get_dataloader(): 데이터로더를 빌드합니다.
preprocess_batch(): 모델 포워드 패스 전 배치 전처리를 처리합니다.
set_model_attributes(): 데이터셋 정보를 기반으로 모델 속성을 설정합니다.
get_validator(): 모델 평가를 위한 검증기(validator)를 반환합니다.

사용자 지정 및 소스 코드에 대한 자세한 내용은 BaseTrainer Reference를 참조하십시오.

Ultralytics YOLO DetectionTrainer에 콜백을 어떻게 추가할 수 있습니까?

DetectionTrainer에서 학습 과정을 모니터링하고 수정하기 위해 콜백을 추가하십시오. 매 학습 에폭 후 모델 가중치를 기록하는 콜백을 추가하는 방법은 다음과 같습니다:

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()

콜백 이벤트 및 진입점에 대한 자세한 내용은 Callbacks Guide를 참조하십시오.

모델 학습에 Ultralytics YOLO를 사용해야 하는 이유는 무엇입니까?

Ultralytics YOLO는 강력한 엔진 실행기 위에 고수준 추상화를 제공하여 빠른 개발과 사용자 지정에 이상적입니다. 주요 이점은 다음과 같습니다:

사용 편의성: 명령줄 및 Python 인터페이스 모두 복잡한 작업을 단순화합니다.
성능: 실시간 객체 탐지 및 다양한 비전 AI 애플리케이션에 최적화되어 있습니다.
사용자 지정: 사용자 지정 모델, 손실 함수 및 데이터로더를 위해 쉽게 확장 가능합니다.
모듈성: 구성 요소를 전체 파이프라인에 영향을 주지 않고 독립적으로 수정할 수 있습니다.
통합: ML 생태계의 인기 있는 프레임워크 및 도구와 원활하게 작동합니다.

YOLO의 기능에 대해 더 알아보려면 Ultralytics YOLO 메인 페이지를 살펴보십시오.

비표준 모델에 Ultralytics YOLO DetectionTrainer를 사용할 수 있습니까?

네, DetectionTrainer는 비표준 모델에 대해 매우 유연하며 사용자 지정이 가능합니다. DetectionTrainer를 상속받아 특정 모델의 요구 사항을 지원하도록 메서드를 오버로드하십시오. 다음은 간단한 예제입니다:

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()

포괄적인 지침과 예제는 DetectionTrainer Reference를 검토하십시오.

Contributors

GLglenn-jocher¹² RAraimbekovm² RIRizwanMunawar²

Created 2023년 11월 12일Updated 어제