Ultralytics YOLO27:
Get Started

고급 사용자 지정#

Ultralytics YOLO의 CLI와 Python 인터페이스는 모두 기본 엔진 실행기를 기반으로 하는 고수준 추상화입니다. 이 가이드에서는 Trainer 엔진을 중점적으로 다루며, 특정 요구사항에 맞게 사용자 지정하는 방법을 설명합니다.



시청: Ultralytics YOLO 마스터하기: 고급 사용자 지정
팁

사용자 지정 메트릭, 클래스 가중치 손실, 모델 저장, 백본 동결, 레이어별 학습률 등 일반적인 트레이너 사용자 지정 사례는 트레이너 사용자 지정 가이드를 참조하세요.

BaseTrainer#

BaseTrainer 클래스는 다양한 작업에 맞게 조정할 수 있는 범용 학습 루틴을 제공합니다. 필요한 형식을 준수하면서 특정 함수나 작업을 재정의하여 사용자 지정할 수 있습니다. 예를 들어, 다음 함수를 재정의하여 사용자 지정 모델과 데이터로더를 통합할 수 있습니다:

  • get_model(cfg, weights): 학습할 모델을 구성합니다.
  • get_dataloader(dataset_path, batch_size, rank, mode): 데이터로더를 구성합니다.

자세한 내용과 소스 코드는 BaseTrainer 참조 문서를 확인하세요.

DetectionTrainer#

Ultralytics YOLO DetectionTrainer의 사용 및 사용자 지정 방법은 다음과 같습니다:

from ultralytics.models.yolo.detect import DetectionTrainer

trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # 최적의 모델 가져오기

DetectionTrainer 사용자 지정#

직접 지원되지 않는 사용자 지정 감지 모델을 학습하려면 기존 get_model 기능을 오버로드하세요:

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 모든 에폭 종료 시 실행되는 콜백을 추가하여 트레이너를 더 사용자 지정할 수 있습니다. 예를 들어 최신 가중치를 기록하거나 업로드할 수 있습니다. 예시는 다음과 같습니다:

from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel

class MyCustomModel(DetectionModel):
    def init_criterion(self):
        """Initializes a custom loss function for the model."""

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(...)

# 모델 가중치를 기록하는 콜백
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)  # 기존 콜백에 추가
trainer.train()

콜백 트리거 이벤트와 진입점에 대한 자세한 내용은 콜백 가이드를 확인하세요.

기타 엔진 구성 요소#

Validators 및 Predictors과 같은 다른 구성 요소도 동일한 방식으로 사용자 지정할 수 있습니다. 자세한 내용은 검증기 및 예측기 문서를 참조하세요.

사용자 지정 트레이너로 YOLO 사용하기#

YOLO 모델 클래스는 트레이너 클래스의 고수준 래퍼를 제공합니다. 이 아키텍처를 활용하여 머신러닝 워크플로의 유연성을 높일 수 있습니다:

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

# 사용자 지정 트레이너 생성
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Custom code implementation."""

# YOLO 모델 초기화
model = YOLO("yolo26n.pt")

# 사용자 지정 트레이너로 학습
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

이 접근 방식을 사용하면 YOLO 인터페이스의 간편함을 유지하면서 기본 학습 프로세스를 특정 요구사항에 맞게 사용자 지정할 수 있습니다.

자주 묻는 질문#

  • 특정 작업에 맞게 DetectionTrainer을 사용자 지정하려면 메서드를 재정의하여 사용자 지정 모델과 데이터로더에 맞게 조정하세요. 먼저 DetectionTrainer을 상속하고 get_model와 같은 메서드를 다시 정의하여 사용자 지정 기능을 구현합니다. 예시는 다음과 같습니다:

    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  # 최적의 모델 가져오기

    손실 함수 변경이나 콜백 추가와 같은 추가 사용자 지정 방법은 콜백 가이드를 참조하세요.

  • BaseTrainer은 학습 루틴의 기반으로, 범용 메서드를 재정의하여 다양한 작업에 맞게 사용자 지정할 수 있습니다. 주요 구성 요소는 다음과 같습니다:

    • get_model(cfg, weights): 학습할 모델을 구성합니다.
    • get_dataloader(dataset_path, batch_size, rank, mode): 데이터로더를 구성합니다.
    • preprocess_batch(): 모델의 순전파 전에 배치 전처리를 처리합니다.
    • set_model_attributes(): 데이터셋 정보를 기반으로 모델 속성을 설정합니다.
    • get_validator(): 모델 평가에 사용할 검증기를 반환합니다.

    사용자 지정 및 소스 코드에 대한 자세한 내용은 BaseTrainer 참조 문서를 확인하세요.

  • DetectionTrainer에 콜백을 추가하여 학습 프로세스를 모니터링하고 수정할 수 있습니다. 학습이 끝날 때마다 모델 가중치를 기록하는 콜백을 추가하는 방법은 다음과 같습니다(에폭 기준):

    from ultralytics.models.yolo.detect import DetectionTrainer

# 모델 가중치를 기록하는 콜백
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)  # 기존 콜백에 추가
trainer.train()

    콜백 이벤트와 진입점에 대한 자세한 내용은 콜백 가이드를 참조하세요.

  • Ultralytics YOLO는 강력한 엔진 실행기를 고수준으로 추상화하므로 신속한 개발과 사용자 지정에 적합합니다. 주요 이점은 다음과 같습니다:

    • 사용 편의성: CLI와 Python 인터페이스 모두 복잡한 작업을 간소화합니다.
    • 성능: 실시간 객체 감지와 다양한 비전 AI 애플리케이션에 최적화되어 있습니다.
    • 사용자 지정: 사용자 지정 모델, 손실 함수, 데이터로더를 쉽게 확장할 수 있습니다.
    • 모듈성: 전체 파이프라인에 영향을 주지 않고 구성 요소를 독립적으로 수정할 수 있습니다.
    • 통합: ML 생태계의 인기 프레임워크 및 도구와 원활하게 연동됩니다.

    YOLO의 기능에 대한 자세한 내용은 기본 Ultralytics YOLO 페이지를 확인하세요.

  • 예. DetectionTrainer은 유연성이 높고 표준이 아닌 모델에 맞게 사용자 지정할 수 있습니다. DetectionTrainer을 상속하고 메서드를 오버로드하여 특정 모델의 요구사항을 지원하세요. 간단한 예시는 다음과 같습니다:

    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()

    자세한 지침과 예제는 DetectionTrainer 참조 문서를 확인하세요.

기여자
GLglenn-jocher14RAraimbekovm2RIRizwanMunawar2

댓글