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 treinadoget_dataloader()
- A função que constrói o carregador de dados Mais detalhes e código fonte podem ser encontrados emBaseTrainer
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 10epochs
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.
Criado em 2023-11-12, Atualizado em 2024-02-03
Autores: glenn-jocher (4), RizwanMunawar (1), AyushExel (1), Laughing-q (1)