Обратные вызовы

Обратные вызовы

Ultralytics Фреймворк поддерживает обратные вызовы в качестве точек входа на стратегических этапах режимов train, val, export и predict. Каждый обратный вызов принимает Trainer, Validator, или Predictor объект в зависимости от типа операции. Все свойства этих объектов можно найти в разделе Reference документации.

Смотреть: Освоение Ultralytics YOLO : Обратные вызовы

Примеры

Возвращение дополнительной информации с помощью предсказания

В этом примере мы хотим вернуть исходный кадр с каждым объектом результата. Вот как мы можем это сделать

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

    # 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

Здесь перечислены все поддерживаемые обратные вызовы. Дополнительные сведения см. в исходном коде callbacks.

Обратные вызовы тренера

Обратные вызовы валидатора

Обратные вызовы предикторов

Обратные вызовы экспортера

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое обратные вызовы Ultralytics и как их использовать?

Ultralytics обратные вызовы это специализированные точки входа, запускаемые на ключевых этапах работы модели, таких как обучение, проверка, экспорт и прогнозирование. Эти обратные вызовы позволяют настраивать функциональность в определенных точках процесса, что дает возможность улучшать и модифицировать 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, вы можете определить функцию, а затем добавить ее в модель с помощью функции add_callback метод. Вот пример того, как можно вернуть дополнительную информацию 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 тренировочный процесс Ultralytics с помощью обратных вызовов?

Чтобы настроить тренировочную процедуру Ultralytics с помощью обратных вызовов, вы можете внедрить свою логику на определенных этапах тренировочного процесса. Ultralytics YOLO предоставляет множество обратных вызовов для тренировок, таких как on_train_start, on_train_end, и on_train_batch_end. Они позволяют добавлять пользовательские метрики, обработку или протоколирование.

Вот пример того, как регистрировать дополнительные метрики в конце каждой эпохи обучения:

from ultralytics import YOLO


def on_train_epoch_end(trainer):
    """Custom logic for additional metrics logging at the end of each training epoch."""
    additional_metric = compute_additional_metric(trainer)
    trainer.log({"additional_metric": additional_metric})


model = YOLO("yolo11n.pt")
model.add_callback("on_train_epoch_end", on_train_epoch_end)
model.train(data="coco.yaml", epochs=10)

Подробнее о том, как эффективно использовать обратные вызовы для обучения, читайте в Руководстве по обучению.

Зачем использовать обратные вызовы при валидации в Ultralytics YOLO ?

Использование обратные вызовы во время проверки в Ultralytics YOLO могут улучшить оценку модели, позволяя выполнять пользовательскую обработку, протоколирование 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 всесторонние процессы проверки.

Например, вы можете захотеть регистрировать дополнительные метрики проверки или сохранять промежуточные результаты для дальнейшего анализа. Вот пример того, как регистрировать пользовательские метрики в конце проверки:

from ultralytics import YOLO


def on_val_end(validator):
    """Log custom metrics at end of validation."""
    custom_metric = compute_custom_metric(validator)
    validator.log({"custom_metric": custom_metric})


model = YOLO("yolo11n.pt")
model.add_callback("on_val_end", on_val_end)
model.val(data="coco.yaml")

Ознакомьтесь с руководством по валидации, чтобы узнать больше о включении обратных вызовов в процесс валидации.

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

Чтобы прикрепить пользовательский обратный вызов для режим прогнозирования в Ultralytics YOLO , вы определяете функцию обратного вызова и регистрируете ее в процессе предсказания. К распространенным обратным вызовам предсказания относятся on_predict_start, on_predict_batch_end, и on_predict_end. Они позволяют модифицировать результаты прогнозирования и интегрировать дополнительные функции, такие как регистрация данных или преобразование результатов.

Вот пример, в котором для регистрации предсказаний используется пользовательский обратный вызов:

from ultralytics import YOLO


def on_predict_end(predictor):
    """Log predictions at the end of prediction."""
    for result in predictor.results:
        log_prediction(result)


model = YOLO("yolo11n.pt")
model.add_callback("on_predict_end", on_predict_end)
results = model.predict(source="image.jpg")

Для более полного использования обратитесь к Руководству по прогнозированию, которое содержит 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:

1. Регистрация пользовательских метрик: Записывайте в журнал дополнительные метрики на разных этапах, например в конце эпохи обучения или проверки.
2. Дополнение данных: Реализуйте пользовательские преобразования или дополнения данных во время прогнозирования или обучения.
3. 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 Complete Callback Reference, чтобы найти больше вариантов и примеров.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии