Расширенная кастомизация#

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

BaseTrainer#

Класс BaseTrainer предоставляет универсальную процедуру обучения, адаптируемую для различных задач. Кастомизируй его, переопределяя конкретные функции или операции, но соблюдая требуемые форматы. Например, интегрируй собственную кастомную модель и загрузчик данных, переопределив эти функции:

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

Подробнее и исходный код см. в разделе Справочник BaseTrainer.

DetectionTrainer#

Вот как использовать и кастомизировать Ultralytics YOLO DetectionTrainer:

from ultralytics.models.yolo.detect import DetectionTrainer

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

Кастомизация DetectionTrainer#

Чтобы обучить нестандартную модель детекции, которая не поддерживается напрямую, перегрузи существующую функциональность 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()

Дополнительную информацию о событиях срабатывания колбэков и точках входа см. в Руководстве по колбэкам.

Другие компоненты движка#

Аналогичным образом кастомизируй другие компоненты, такие как Validators и Predictors. Дополнительную информацию см. в документации по валидаторам и предикторам.

Использование YOLO с кастомными тренерами#

Класс модели YOLO предоставляет высокоуровневую обертку для классов Trainer. 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, одновременно настраивая базовый процесс обучения под твои конкретные требования.

FAQ#

Как кастомизировать Ultralytics YOLO DetectionTrainer для конкретных задач?#

Кастомизируй DetectionTrainer для конкретных задач, переопределив его методы для адаптации под твою собственную модель и загрузчик данных. Начни с наследования от DetectionTrainer и переопредели такие методы, как get_model, для реализации пользовательской логики. 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, такой как изменение функции потерь или добавление колбэка, обратись к Руководству по колбэкам.

Каковы основные компоненты BaseTrainer в Ultralytics YOLO?#

BaseTrainer служит основой для процедур обучения, которую можно настраивать для различных задач путем переопределения ее общих методов. Основные компоненты включают:

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

Подробнее о кастомизации и исходном коде см. в разделе Справочник BaseTrainer.

Как добавить колбэк в Ultralytics YOLO DetectionTrainer?#

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.

Почему стоит использовать Ultralytics YOLO для обучения моделей?#

Ultralytics YOLO предоставляет высокоуровневую абстракцию поверх мощных исполнителей движка, что делает его идеальным для быстрой разработки и кастомизации. К ключевым преимуществам относятся:

• Простота использования: интерфейсы командной строки и Python упрощают сложные задачи.
• Производительность: оптимизировано для обнаружения объектов в реальном времени и различных задач компьютерного зрения.
• Кастомизация: легко расширяется для пользовательских моделей, функций потерь и загрузчиков данных.
• Модульность: компоненты можно модифицировать независимо друг от друга, не затрагивая весь конвейер.
• Интеграция: бесшовная работа с популярными фреймворками и инструментами в экосистеме ML.

Узнай больше о возможностях YOLO, посетив главную страницу Ultralytics YOLO.

Могу ли я использовать Ultralytics YOLO DetectionTrainer для нестандартных моделей?#

Да, DetectionTrainer очень гибкий и настраиваемый для нестандартных моделей. Наследуйся 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 разделе Справочник DetectionTrainer.