Обратные вызовы#

Колбэки Ultralytics — это специализированные точки входа, которые вызываются на ключевых этапах работы с моделью, например при обучении, валидации, экспорте и предсказании. Они позволяют добавлять пользовательскую функциональность в определенных точках процесса, расширяя и изменяя рабочий процесс. Каждый колбэк принимает объект Trainer, Validator или Predictor в зависимости от типа операции. Подробные сведения о свойствах этих объектов см. на справочных страницах BaseTrainer, BaseValidator и BasePredictor.

Чтобы использовать колбэк, определи функцию и добавь ее к модели с помощью метода model.add_callback(). 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("yolo26n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Настрой процедуру обучения Ultralytics, добавляя свою логику на определенных этапах процесса обучения. Ultralytics YOLO предоставляет различные колбэки обучения, например on_train_start, on_train_end и on_train_batch_end, которые позволяют добавлять пользовательские метрики, обработку данных или журналирование.

Вот как регистрировать скорость обучения для каждой группы параметров оптимизатора в конце каждой эпохи обучения:

from ultralytics import YOLO

def log_learning_rates(trainer):
    """Print the current learning rates after each training epoch."""
    print(f"Epoch {trainer.epoch + 1}: {trainer.lr}")

model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_end", log_learning_rates)
model.train(data="coco8.yaml", epochs=3)

Подробнее об эффективном использовании колбэков обучения см. в руководстве по обучению.

Колбэки при валидации в Ultralytics YOLO улучшают оценку модели, позволяя выполнять пользовательскую обработку, журналирование или расчет метрик. Такие колбэки, как on_val_start, on_val_batch_end и on_val_end, предоставляют точки входа для добавления своей логики и помогают обеспечить подробную и всестороннюю валидацию.

Например, вот как 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")

Подробнее о добавлении колбэков в процесс валидации см. в руководстве по валидации.

Чтобы добавить пользовательский колбэк для режима предсказания в Ultralytics YOLO, определи функцию колбэка и зарегистрируй ее в процессе предсказания. К распространенным колбэкам предсказания относятся on_predict_start, on_predict_batch_end и on_predict_end. Они позволяют изменять результаты предсказаний и добавлять дополнительную функциональность, например журналирование данных или преобразование результатов.

Вот пример пользовательского колбэка, который сохраняет предсказания в зависимости от наличия объекта 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

Подробные инструкции и дополнительные параметры настройки см. в руководстве по предсказанию.

Ultralytics YOLO поддерживает различные практические способы применения колбэков для расширения и настройки таких этапов, как обучение, валидация и предсказание. Вот несколько примеров:

• Журналирование пользовательских метрик: регистрируй дополнительные метрики на разных этапах, например в конце эпох обучения или валидации.
• Аугментация данных: применяй пользовательские преобразования или аугментации данных во время предсказания или обработки батчей обучения.
• Промежуточные результаты: сохраняй промежуточные результаты, например предсказания или кадры, для дальнейшего анализа или визуализации.

Пример: объединение кадров с результатами предсказания при использовании 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 колбэков, чтобы найти дополнительные параметры и примеры.