Обратные вызовы (Callbacks)#

Обратные вызовы Ultralytics — это специализированные точки входа, которые срабатывают на ключевых этапах операций с моделью, таких как обучение, валидация, экспорт и прогнозирование. Эти обратные вызовы обеспечивают реализацию пользовательской функциональности в определенных точках процесса, позволяя улучшать и модифицировать рабочий процесс. Каждый обратный вызов принимает объект Trainer, Validator или Predictor в зависимости от типа операции. Подробные сведения о свойствах этих объектов см. в разделе справки.

Чтобы использовать обратный вызов, определи функцию и добавь ее в модель с помощью метода model.add_callback(). Вот пример возврата дополнительной информации во время прогнозирования:

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("yolo26n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Настрой процесс обучения Ultralytics, внедрив логику на определенных этапах процесса обучения. Ultralytics YOLO предоставляет различные обратные вызовы обучения, такие как on_train_start, on_train_end и on_train_batch_end, которые позволяют добавлять пользовательские метрики, обработку или логирование.

Вот как заморозить статистику BatchNorm при заморозке слоев с помощью обратных вызовов:

from ultralytics import YOLO

# Add a callback to put the frozen layers in eval mode to prevent BN values from changing
def put_in_eval_mode(trainer):
    n_layers = trainer.args.freeze
    if not isinstance(n_layers, int):
        return

    for i, (name, module) in enumerate(trainer.model.named_modules()):
        if name.endswith("bn") and int(name.split(".")[1]) < n_layers:
            module.eval()
            module.track_running_stats = False

model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

Дополнительные сведения об эффективном использовании обратных вызовов обучения см. в Руководстве по обучению.

Использование обратных вызовов во время валидации в Ultralytics YOLO улучшает оценку модели, позволяя выполнять пользовательскую обработку, логирование или расчет метрик. Обратные вызовы, такие как on_val_start, on_val_batch_end и on_val_end, предоставляют точки входа для внедрения пользовательской логики, обеспечивая детальные и комплексные процессы валидации.

Например, чтобы построить графики для всех батчей валидации, а не только для первых трех:

import inspect

from ultralytics import YOLO

def plot_samples(validator):
    frame = inspect.currentframe().f_back.f_back
    v = frame.f_locals
    validator.plot_val_samples(v["batch"], v["batch_i"])
    validator.plot_predictions(v["batch"], v["preds"], v["batch_i"])

model = YOLO("yolo26n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

Дополнительные сведения о внедрении обратных вызовов в процесс валидации см. в Руководстве по валидации.

Чтобы подключить пользовательский обратный вызов для режима прогнозирования в Ultralytics YOLO, определи функцию обратного вызова и зарегистрируй ее в процессе прогнозирования. К распространенным обратным вызовам прогнозирования относятся on_predict_start, on_predict_batch_end и on_predict_end. Они позволяют изменять результаты прогнозирования и интегрировать дополнительные функциональные возможности, такие как логирование данных или преобразование результатов.

Вот пример, где пользовательский обратный вызов сохраняет предсказания в зависимости от того, присутствует ли объект определенного класса:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

class_id = 2

def save_on_object(predictor):
    r = predictor.results[0]
    if class_id in r.boxes.cls:
        predictor.args.save = True
    else:
        predictor.args.save = False

model.add_callback("on_predict_postprocess_end", save_on_object)
results_stream = model("pedestrians.mp4", stream=True, save=True)

for result in results_stream:
    pass

Для получения более подробных инструкций обратись к Руководству по прогнозированию, которое содержит подробные инструкции и дополнительные опции настройки.

Ultralytics YOLO поддерживает различные практические реализации обратных вызовов для улучшения и настройки разных фаз, таких как обучение, валидация и предсказание. Некоторые практические примеры включают:

• Логирование пользовательских метрик: логируй дополнительные метрики на разных этапах, например в конце эпох обучения или валидации.
• Аугментация данных: реализуй пользовательские преобразования или аугментации данных во время прогнозирования или в батчах обучения.
• Промежуточные результаты: Сохраняй промежуточные результаты, такие как предсказания или кадры, для дальнейшего анализа или визуализации.

Пример: объединение кадров с результатами прогнозирования во время прогнозирования с помощью 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("yolo26n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Изучи исходный код обратных вызовов, чтобы найти больше вариантов и примеров.