Geri çağrılar#

Ultralytics geri çağrıları, eğitim, doğrulama, dışa aktarma ve tahmin gibi model işlemlerinin önemli aşamalarında tetiklenen özel giriş noktalarıdır. Bu geri çağrılar, süreçte belirli noktalarda özel işlevler eklemeyi sağlayarak iş akışının geliştirilmesine ve değiştirilmesine olanak tanır. Her geri çağrı, işlem türüne bağlı olarak bir Trainer, Validator veya Predictor nesnesi kabul eder. Bu nesnelerin özellikleri hakkında ayrıntılı bilgi için BaseTrainer, BaseValidator ve BasePredictor başvuru sayfalarına bak.

Bir geri çağrı kullanmak için bir işlev tanımla ve model.add_callback() yöntemini kullanarak bu işlevi modele ekle. Tahmin sırasında ek bilgi döndürmeye ilişkin bir örnek:

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

Eğitim sürecinin belirli aşamalarına mantık ekleyerek Ultralytics eğitim yordamını özelleştir. Ultralytics YOLO, özel metrikler, işleme veya günlük kaydı eklemene olanak tanıyan on_train_start, on_train_end ve on_train_batch_end gibi çeşitli eğitim geri çağrıları sunar.

Her eğitim epoch'unun sonunda her optimizasyon parametre grubunun öğrenme oranını şu şekilde günlüğe kaydedebilirsin:

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)

Eğitim geri çağrılarını etkili biçimde kullanma hakkında daha fazla ayrıntı için Eğitim Kılavuzu sayfasına bak.

Ultralytics YOLO'da doğrulama sırasında geri çağrı kullanmak, özel işleme, günlük kaydı veya metrik hesaplamayı mümkün kılarak model değerlendirmesini geliştirir. on_val_start, on_val_batch_end ve on_val_end gibi geri çağrılar, özel mantık eklemek için giriş noktaları sunarak ayrıntılı ve kapsamlı doğrulama süreçleri sağlar.

Örneğin, yalnızca ilk üç doğrulama batch'ini değil tüm doğrulama batch'lerini çizmek için:

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")

Doğrulama sürecine geri çağrıları ekleme hakkında daha fazla bilgi için Doğrulama Kılavuzu sayfasına bak.

Ultralytics YOLO'da tahmin modu için özel bir geri çağrı eklemek üzere bir geri çağrı işlevi tanımla ve tahmin sürecine kaydet. Yaygın tahmin geri çağrıları arasında on_predict_start, on_predict_batch_end ve on_predict_end bulunur. Bunlar, tahmin çıktılarını değiştirmene ve veri günlüğe kaydı veya sonuç dönüşümü gibi ek işlevleri entegre etmene olanak tanır.

Belirli bir sınıfa ait bir nesnenin bulunup bulunmadığına göre tahminleri kaydeden özel bir geri çağrı örneği:

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

Daha kapsamlı kullanım için ayrıntılı yönergeler ve ek özelleştirme seçenekleri içeren Tahmin Kılavuzu sayfasına bak.

Ultralytics YOLO, eğitim, doğrulama ve tahmin gibi farklı aşamaları geliştirmek ve özelleştirmek için geri çağrıların çeşitli pratik uygulamalarını destekler. Bazı pratik örnekler:

• Özel Metrikleri Günlüğe Kaydetme: Eğitim veya doğrulama epoch'ları sonunda olduğu gibi farklı aşamalarda ek metrikleri günlüğe kaydet.
• Veri Artırma: Tahmin veya eğitim batch'leri sırasında özel veri dönüşümleri ya da artırmaları uygula.
• Ara Sonuçlar: Daha ileri analiz veya görselleştirme için tahminler ya da kareler gibi ara sonuçları kaydet.

Örnek: Tahmin sırasında on_predict_batch_end kullanarak kareleri tahmin sonuçlarıyla birleştirme:

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

Daha fazla seçenek ve örnek için geri çağrı kaynak kodunu incele.