Chamadas de retorno

Chamadas de retorno

Ultralytics suporta callbacks como pontos de entrada em fases estratégicas dos modos train, val, export e predict. Cada retorno de chamada aceita um Trainer, Validator, ou Predictor dependendo do tipo de operação. Todas as propriedades destes objectos podem ser encontradas na secção Referência da documentação.

Observa: Dominar Ultralytics YOLOv8 : Callbacks

Exemplos

Devolver informações adicionais com a Previsão

Neste exemplo, queremos devolver a moldura original com cada objeto de resultado. Vê como podemos fazer isso

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("yolov8n.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

Todas as chamadas de retorno

Aqui estão todas as callbacks suportadas. Vê o código fonte das callbacks para mais detalhes.

Chamadas do formador

Repetições do validador

Callbacks do Predictor

Chamadas de retorno do exportador

FAQ

O que são as chamadas de retorno Ultralytics e como é que as posso utilizar?

Ultralytics chamadas de retorno são pontos de entrada especializados accionados durante as principais fases das operações do modelo, como formação, validação, exportação e previsão. Estas chamadas de retorno permitem uma funcionalidade personalizada em pontos específicos do processo, permitindo melhorias e modificações no fluxo de trabalho. Cada retorno de chamada aceita um Trainer, Validator, ou Predictor dependendo do tipo de operação. Para obter propriedades detalhadas desses objetos, consultar a Secção de referência.

Para utilizar um retorno de chamada, podes definir uma função e depois adicioná-la ao modelo com a função add_callback método. Segue um exemplo de como devolver informações adicionais durante a previsão:

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("yolov8n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Como posso personalizar a rotina de treino do Ultralytics utilizando callbacks?

Para personalizar a rotina de treino do Ultralytics utilizando callbacks, podes injetar a tua lógica em fases específicas do processo de treino. Ultralytics YOLO fornece uma variedade de callbacks de treino, tais como on_train_start, on_train_ende on_train_batch_end. Estes permitem-te adicionar métricas, processamento ou registo personalizados.

Aqui está um exemplo de como registar métricas adicionais no final de cada época de treino:

from ultralytics import YOLO


def on_train_epoch_end(trainer):
    """Custom logic for additional metrics logging at the end of each training epoch."""
    additional_metric = compute_additional_metric(trainer)
    trainer.log({"additional_metric": additional_metric})


model = YOLO("yolov8n.pt")
model.add_callback("on_train_epoch_end", on_train_epoch_end)
model.train(data="coco.yaml", epochs=10)

Consulta o Guia de Formação para obteres mais informações sobre como utilizar eficazmente as rechamadas de formação.

Porque é que devo utilizar callbacks durante a validação em Ultralytics YOLO ?

Utilizando chamadas de retorno durante a validação em Ultralytics YOLO pode melhorar a avaliação do modelo, permitindo o processamento personalizado, o registo ou o cálculo de métricas. Chamadas de retorno como on_val_start, on_val_batch_ende on_val_end fornecem pontos de entrada para injetar lógica personalizada, garantindo processos de validação detalhados e abrangentes.

Por exemplo, podes querer registar métricas de validação adicionais ou guardar resultados intermédios para análise posterior. Aqui está um exemplo de como registar métricas personalizadas no final da validação:

from ultralytics import YOLO


def on_val_end(validator):
    """Log custom metrics at end of validation."""
    custom_metric = compute_custom_metric(validator)
    validator.log({"custom_metric": custom_metric})


model = YOLO("yolov8n.pt")
model.add_callback("on_val_end", on_val_end)
model.val(data="coco.yaml")

Consulta o Guia de validação para obteres mais informações sobre a incorporação de callbacks no teu processo de validação.

Como posso anexar um retorno de chamada personalizado para o modo de previsão em Ultralytics YOLO ?

Para anexar um retorno de chamada personalizado para o modo de previsão em Ultralytics YOLO , define uma função de retorno de chamada e regista-a no processo de previsão. Os callbacks de previsão comuns incluem on_predict_start, on_predict_batch_ende on_predict_end. Estes permitem a modificação dos resultados da previsão e a integração de funcionalidades adicionais, como o registo de dados ou a transformação de resultados.

Segue-se um exemplo em que é utilizado um retorno de chamada personalizado para registar previsões:

from ultralytics import YOLO


def on_predict_end(predictor):
    """Log predictions at the end of prediction."""
    for result in predictor.results:
        log_prediction(result)


model = YOLO("yolov8n.pt")
model.add_callback("on_predict_end", on_predict_end)
results = model.predict(source="image.jpg")

Para uma utilização mais abrangente, consulta o Guia de Previsão, que inclui instruções detalhadas e opções de personalização adicionais.

Quais são alguns exemplos práticos de utilização de callbacks em Ultralytics YOLO ?

Ultralytics YOLO suporta várias implementações práticas de callbacks para melhorar e personalizar diferentes fases, como a formação, a validação e a previsão. Alguns exemplos práticos incluem:

1. Regista métricas personalizadas: Regista métricas adicionais em diferentes fases, como o fim do treino ou épocas de validação.
2. Aumento de dados: Implementa transformações ou aumentos de dados personalizados durante a previsão ou os lotes de formação.
3. Resultados intermediários: Guarda resultados intermédios, como previsões ou molduras, para análise ou visualização posterior.

Exemplo: Combinação de quadros com resultados de previsão durante a previsão usando 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("yolov8n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Explora a Referência completa de retorno de chamada para encontrar mais opções e exemplos.

Comentários