Ultralytics YOLO27:

Расширенная кастомизация#

Как интерфейс командной строки Ultralytics YOLO, так и интерфейс Python представляют собой высокоуровневые абстракции, построенные на основе исполнителей базового движка. Это руководство посвящено движку Trainer и объясняет, как настроить его под твои конкретные задачи.



Watch: Mastering Ultralytics YOLO: Advanced Customization
Совет

Практические примеры частых вариантов кастомизации тренера — кастомные метрики, взвешенные по классам потери, сохранение моделей, заморозка бэкбона и послойная скорость обучения — см. в руководстве Кастомизация тренера.

BaseTrainer#

Класс BaseTrainer предоставляет универсальную процедуру обучения, адаптируемую для различных задач. Кастомизируй ее путем переопределения определенных функций или операций, соблюдая при этом требуемые форматы. Например, интегрируй собственную кастомную модель и загрузчик данных, переопределив следующие функции:

  • get_model(cfg, weights): создает модель для обучения.
  • get_dataloader(): создает загрузчик данных.

Подробности и исходный код см. в справочнике BaseTrainer.

DetectionTrainer#

Вот как использовать и кастомизировать DetectionTrainer в Ultralytics YOLO:

from ultralytics.models.yolo.detect import DetectionTrainer

trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # Get the best model

Кастомизация DetectionTrainer#

Чтобы обучить кастомную модель детекции, которая не поддерживается напрямую, перегрузи существующий функционал get_model:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""

trainer = CustomTrainer(overrides={...})
trainer.train()

Дополнительно кастомизируй тренера, изменив функцию потерь или добавив колбэк для выгрузки модели на Google Drive каждые 10 эпох. Вот пример:

from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel

class MyCustomModel(DetectionModel):
    def init_criterion(self):
        """Initializes the loss function and adds a callback for uploading the model to Google Drive every 10 epochs."""

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Returns a customized detection model instance configured with specified config and weights."""
        return MyCustomModel(...)

# Callback to upload model weights
def log_model(trainer):
    """Logs the path of the last model weight used by the 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 callbacks
trainer.train()

Более подробную информацию о событиях срабатывания колбэков и точках входа см. в руководстве по колбэкам.

Другие компоненты движка#

Аналогичным образом кастомизируй и другие компоненты, такие как Validators и Predictors. Для получения дополнительной информации обратись к документации по валидаторам и предикторам.

Использование YOLO с кастомными тренерами#

Класс модели YOLO предоставляет высокоуровневую обертку для классов тренера. Ты можешь использовать эту архитектуру для большей гибкости в своих рабочих процессах машинного обучения:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

# Create a custom trainer
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Custom code implementation."""

# Initialize YOLO model
model = YOLO("yolo26n.pt")

# Train with custom trainer
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

Этот подход позволяет сохранить простоту интерфейса YOLO, кастомизируя при этом лежащий в его основе процесс обучения в соответствии с твоими конкретными требованиями.

Часто задаваемые вопросы#

  • Кастомизируй DetectionTrainer под конкретные задачи, переопределив его методы для адаптации под твою кастомную модель и загрузчик данных. Начни с наследования от DetectionTrainer и переопредели такие методы, как get_model, для реализации кастомного функционала. Вот пример:

    from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""

trainer = CustomTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # Get the best model

    Для дальнейшей кастомизации, например изменения функции потерь или добавления колбэка, обратись к руководству по колбэкам.

  • BaseTrainer служит основой для процедур обучения, которую можно кастомизировать для различных задач путем переопределения ее универсальных методов. Ключевые компоненты включают:

    • get_model(cfg, weights): создает модель для обучения.
    • get_dataloader(): создает загрузчик данных.
    • preprocess_batch(): обрабатывает предварительную обработку батчей перед прямоим проходом модели.
    • set_model_attributes(): устанавливает атрибуты модели на основе информации о датасете.
    • get_validator(): возвращает валидатор для оценки модели.

    Подробности о кастомизации и исходный код см. в справочнике BaseTrainer.

  • Добавляй колбэки для мониторинга и изменения процесса обучения в DetectionTrainer. Вот как добавить колбэк для логирования весов модели после каждой эпохи обучения:

    from ultralytics.models.yolo.detect import DetectionTrainer

# Callback to upload model weights
def log_model(trainer):
    """Logs the path of the last model weight used by the trainer."""
    last_weight_path = trainer.last
    print(last_weight_path)

trainer = DetectionTrainer(overrides={...})
trainer.add_callback("on_train_epoch_end", log_model)  # Adds to existing callbacks
trainer.train()

    Подробную информацию о событиях колбэков и точках входа см. в руководстве по колбэкам.

  • Ultralytics YOLO предоставляет высокоуровневую абстракцию над мощными исполнителями движка, что делает его идеальным для быстрой разработки и кастомизации. Ключевые преимущества:

    • Простота использования: как интерфейс командной строки, так и интерфейс Python упрощают сложные задачи.
    • Производительность: оптимизировано для обнаружения объектов в реальном времени и различных приложений компьютерного зрения.
    • Кастомизация: легко расширяется для кастомных моделей, функций потерь и загрузчиков данных.
    • Модульность: компоненты могут изменяться независимо друг от друга без влияния на весь конвейер.
    • Интеграция: легко работает с популярными фреймворками и инструментами в экосистеме машинного обучения.

    Узнай больше о возможностях YOLO, изучив основную страницу Ultralytics YOLO.

  • Да, DetectionTrainer обладает высокой гибкостью и кастомизируется для нестандартных моделей. Наследуй от DetectionTrainer и перегружай методы для поддержки потребностей твоей конкретной модели. Вот простой пример:

    from ultralytics.models.yolo.detect import DetectionTrainer

class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model."""

trainer = CustomDetectionTrainer(overrides={...})
trainer.train()

    Подробные инструкции и примеры см. в справочнике DetectionTrainer.

Участники
GLglenn-jocher13RAraimbekovm2RIRizwanMunawar2

Комментарии