Personalização avançada

Ambas as interfaces Ultralytics YOLO linha de comando e Python são simplesmente uma abstração de alto nível nos executores do motor base. Vamos dar uma olhadela ao motor Trainer.

Observa: Dominar Ultralytics YOLOv8 : Personalização avançada

BaseTrainer

O BaseTrainer contém a rotina de formação genérica. Pode ser personalizada para qualquer tarefa com base na substituição das funções ou operações necessárias, desde que sejam seguidos os formatos correctos. Por exemplo, podes suportar o teu próprio modelo personalizado e o teu carregador de dados, substituindo apenas estas funções:

• get_model(cfg, weights) - A função que constrói o modelo a ser treinado
• get_dataloader() - A função que constrói o carregador de dados Mais detalhes e código fonte podem ser encontrados em BaseTrainer Referência

DetectionTrainer

Eis como podes utilizar o YOLOv8 DetectionTrainer e personaliza-o.

from ultralytics.models.yolo.detect import DetectionTrainer

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

Personalização do DetectionTrainer

Personaliza o formador para treinar um modelo de deteção personalizado que não é suportado diretamente. Podes fazer isto simplesmente sobrecarregando a função existente get_model funcionalidade:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        ...


trainer = CustomTrainer(overrides={...})
trainer.train()

Percebes agora que precisas de personalizar ainda mais o treinador para:

• Personaliza o loss function.
• Acrescenta callback que carrega o modelo para o teu Google Drive a cada 10 epochs Eis como o podes fazer:

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


class MyCustomModel(DetectionModel):
    def init_criterion(self):
        ...


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        return MyCustomModel(...)


# callback to upload model weights
def log_model(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()

Para saberes mais sobre eventos de ativação de Callbacks e ponto de entrada, consulta o nosso Guia de Callbacks

Outros componentes do motor

Existem outros componentes que podem ser personalizados de forma semelhante, como Validators e Predictors. Consulta a secção Referência para obteres mais informações sobre os mesmos.

Comentários