Обратные вызовы

Фреймворк Ultralytics поддерживает обратные вызовы, которые служат точками входа на стратегических этапах во время train, val, export, и predict режимы. Каждый обратный вызов принимает Trainer, Validator, или Predictor объект, в зависимости от типа операции. Все свойства этих объектов подробно описаны в разделе Справочный раздел документации.

Смотреть: Освоение Ultralytics YOLO : Обратные вызовы

Примеры

Возвращение дополнительной информации с предсказанием

В этом примере мы покажем, как вернуть исходный кадр вместе с каждым объектом результата:

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Combine prediction results with corresponding frames."""
    _, 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("yolo11n.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

Все обратные вызовы

Ниже перечислены все поддерживаемые обратные вызовы. Для получения более подробной информации обратитесь к исходному коду обратных вызовов.

Обратные вызовы тренера

Обратные вызовы валидатора

Обратные вызовы предикторов

Обратные вызовы экспортера

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое обратные вызовы Ultralytics и как их использовать?

Обратные вызовы Ultralytics - это специализированные точки входа, которые запускаются на ключевых этапах работы модели, таких как обучение, валидация, экспорт и прогнозирование. Эти обратные вызовы позволяют реализовать пользовательскую функциональность в определенных точках процесса, что позволяет расширить и изменить рабочий процесс. Каждый обратный вызов принимает Trainer, Validator, или Predictor объект, в зависимости от типа операции. Подробные свойства этих объектов см. в разделе Справочный раздел.

Чтобы использовать обратный вызов, определите функцию и добавьте ее в модель с помощью model.add_callback() метод. Вот пример возврата дополнительной информации во время предсказания:

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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Как настроить учебную процедуру Ultralytics с помощью обратных вызовов?

Настройте свою тренировочную программу Ultralytics , внедряя логику на определенных этапах процесса обучения. Ultralytics YOLO предоставляет разнообразные обратные вызовы для обучения, такие как on_train_start, on_train_end, и on_train_batch_endкоторые позволяют добавлять пользовательские метрики, обработку или протоколирование.

Вот как заморозить статистику BatchNorm при замораживании 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("yolo11n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

Более подробную информацию об эффективном использовании обратных вызовов для обучения см. в Руководстве по обучению.

Зачем использовать обратные вызовы при валидации в Ultralytics YOLO ?

Использование обратных вызовов при проверке в Ultralytics YOLO улучшает оценку модели, позволяя выполнять пользовательскую обработку, протоколирование или расчет метрик. Такие обратные вызовы, как on_val_start, on_val_batch_end, и on_val_end предоставляют точки входа для внедрения пользовательской логики, обеспечивая детальные и всесторонние процессы проверки.

Например, чтобы построить график всех партий проверки, а не только 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("yolo11n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

О том, как включить обратные вызовы в процесс проверки, читайте в руководстве по проверке.

Как подключить пользовательский обратный вызов для режима прогнозирования в Ultralytics YOLO ?

Чтобы прикрепить пользовательский обратный вызов для режима прогнозирования в Ultralytics YOLO, определите функцию обратного вызова и зарегистрируйте 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 функции, такие как регистрация данных или преобразование результатов.

Вот пример, в котором пользовательский обратный вызов сохраняет предсказания, основанные на наличии объекта определенного класса:

from ultralytics import YOLO

model = YOLO("yolo11n.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 = model("pedestrians.mp4", stream=True, save=True)

for results in results:
    pass

Для более полного использования обратитесь к Руководству по прогнозированию, в котором содержатся подробные инструкции и дополнительные возможности настройки.

Каковы практические примеры использования обратных вызовов в Ultralytics YOLO ?

Ultralytics YOLO поддерживает различные практические реализации обратных вызовов для улучшения и настройки различных этапов, таких как обучение, проверка и предсказание. Некоторые практические примеры включают:

• Регистрация пользовательских метрик: Записывайте в журнал дополнительные метрики на разных этапах, например в конце эпох обучения или проверки.
• Дополнение данных: Реализуйте пользовательские преобразования или дополнения данных во время прогнозирования или обучения.
• Промежуточные результаты: Сохраните промежуточные результаты, такие как прогнозы или рамки, для дальнейшего анализа или визуализации.

Пример: Объединение кадров с результатами предсказания во время предсказания 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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Изучите исходный код обратного вызова для получения дополнительных возможностей и примеров.

📅 Создано 1 год назад ✏️ Обновлено 9 дней назад

Комментарии