고급 사용자 지정

Ultralytics YOLO 명령줄과 Python 인터페이스는 모두 기본 엔진 실행기에 대한 높은 수준의 추상화일 뿐입니다. 트레이너 엔진을 살펴보겠습니다.

Watch: Mastering Ultralytics YOLO: Advanced Customization

베이스 트레이너

베이스 트레이너에는 일반적인 상용구 트레이닝 루틴이 포함되어 있습니다. 올바른 형식을 따르기만 하면 필요한 함수나 연산을 재정의하여 모든 작업에 맞게 사용자 지정할 수 있습니다. 예를 들어, 이러한 함수를 재정의하여 사용자 지정 모델과 데이터 로더를 지원할 수 있습니다:

• get_model(cfg, weights) - 학습할 모델을 구축하는 함수
• get_dataloader() - 데이터로더를 빌드하는 함수 자세한 내용과 소스 코드는 다음에서 확인할 수 있습니다. BaseTrainer 참조

탐지 트레이너

Here's how you can use the YOLO11 DetectionTrainer 를 클릭하고 사용자 지정합니다.

from ultralytics.models.yolo.detect import DetectionTrainer

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

탐지 트레이너 사용자 지정

트레이너를 맞춤 설정해 보겠습니다. 을 사용하여 사용자 지정 탐지 모델을 학습합니다. 를 직접 지원하지 않습니다. 이 작업을 수행하려면 기존 the get_model 기능을 제공합니다:

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()

이제 트레이너를 더 사용자 지정해야 한다는 것을 알게 되었습니다:

• 사용자 지정 loss function.
• 추가 callback 매 10초마다 Google 드라이브에 모델을 업로드합니다. epochs 방법은 다음과 같습니다:

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 callback
trainer.train()

콜백 트리거 이벤트 및 진입 지점에 대한 자세한 내용은 콜백 가이드를 확인하세요.

기타 엔진 구성 요소

다음과 같이 유사하게 사용자 지정할 수 있는 다른 구성 요소도 있습니다. Validators 그리고 Predictors. 이에 대한 자세한 내용은 참조 섹션을 참조하세요.

자주 묻는 질문

How do I customize the Ultralytics YOLO11 DetectionTrainer for specific tasks?

To customize the Ultralytics YOLO11 DetectionTrainer 의 메서드를 재정의하여 사용자 정의 모델 및 데이터 로더에 맞게 조정할 수 있습니다. 먼저 다음에서 상속을 시작하세요. DetectionTrainer 와 같은 메서드를 재정의한 다음 get_model 를 사용하여 사용자 지정 기능을 구현할 수 있습니다. 다음은 예시입니다:

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 best model

변경과 같은 추가 사용자 지정의 경우 loss function 를 추가하거나 callback를 참조할 수 있습니다. 콜백 가이드.

What are the key components of the BaseTrainer in Ultralytics YOLO11?

그리고 BaseTrainer in Ultralytics YOLO11 serves as the foundation for training routines and can be customized for various tasks by overriding its generic methods. Key components include:

• get_model(cfg, weights) 를 사용하여 학습할 모델을 구축합니다.
• get_dataloader() 를 사용하여 데이터로더를 빌드합니다.

사용자 지정 및 소스 코드에 대한 자세한 내용은 다음을 참조하세요. BaseTrainer 참조.

How can I add a callback to the Ultralytics YOLO11 DetectionTrainer?

You can add callbacks to monitor and modify the training process in Ultralytics YOLO11 DetectionTrainer. For instance, here's how you can add a callback to log model weights after every training epoch:

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 진입 지점에 대한 자세한 내용은 콜백 가이드를 참조하세요.

Why should I use Ultralytics YOLO11 for model training?

Ultralytics YOLO11 offers a high-level abstraction on powerful engine executors, making it ideal for rapid development and customization. Key benefits include:

• 사용 편의성: 명령줄과 Python 인터페이스는 모두 복잡한 작업을 간소화합니다.
• Performance: Optimized for real-time object detection and various vision AI applications.
• Customization: Easily extendable for custom models, loss functions, and dataloaders.

Learn more about YOLO11's capabilities by visiting Ultralytics YOLO.

Can I use the Ultralytics YOLO11 DetectionTrainer for non-standard models?

Yes, Ultralytics YOLO11 DetectionTrainer 는 매우 유연하며 비표준 모델에 맞게 사용자 정의할 수 있습니다. 다음에서 상속하여 DetectionTrainer를 사용하면 특정 모델의 요구 사항을 지원하기 위해 다양한 방법을 오버로드할 수 있습니다. 다음은 간단한 예입니다:

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()

보다 자세한 지침과 예시는 DetectionTrainer 설명서를 참조하세요.

📅 Created 11 months ago ✏️ Updated 12 days ago

댓글