Başla

Geri çağrılar

Ultralytics çerçevesi, train, val, predict ve export modlarının önemli aşamalarında giriş noktaları sağlayan geri çağırımları destekler. Her geri çağırım, işlem türüne bağlı olarak bir Trainer, Validator, Predictor veya Exporter nesnesi kabul eder.



İzle: Ultralytics Callbacks Nasıl Kullanılır | Predict, Train, Validate ve Export Callbacks | Ultralytics YOLO26 🚀

Örnekler#

Tahminle Birlikte Ek Bilgi Döndürme#

Bu örnek, her sonuç nesnesiyle birlikte özgün kareyi de döndürür:

from ultralytics import YOLO

def on_predict_batch_end(predictor):
    """Combine prediction results with corresponding frames."""
    _, image, _ = predictor.batch

    # Görüntünün bir liste olduğundan emin ol
    image = image if isinstance(image, list) else [image]

    # Tahmin sonuçlarını ilgili karelerle birleştir
    predictor.results = zip(predictor.results, image)

# Bir YOLO model örneği oluştur
model = YOLO("yolo26n.pt")

# Özel geri çağrıyı modele ekle
model.add_callback("on_predict_batch_end", on_predict_batch_end)

# Sonuçlar ve kareler üzerinde yinele
for result, frame in model.predict():  # veya model.track()
    pass

Eğitimden Önce PyTorch İleri Geçiş Kancalarını Kaydetme#

model.train(), model yapılandırmasından bir eğitim modeli oluşturur ve yüklenen ağırlıkları bu modele aktarır. Bu çağrıdan önce doğrudan model.model üzerine kaydedilen PyTorch kancaları çalışma zamanı durumudur; bu nedenle yeniden oluşturulan eğitim modeli bunları devralmaz. Model kurulumu tamamlandıktan sonra on_pretrain_routine_end içine eğitim kancalarını kaydet:

from ultralytics import YOLO
from ultralytics.utils.torch_utils import unwrap_model

def preprocess_input(module, inputs):
    """Center each input channel before the first model layer."""
    images = inputs[0]
    return (images - images.mean(dim=(-2, -1), keepdim=True),)

def register_forward_pre_hook(trainer):
    """Attach preprocessing to the active training model."""
    train_model = unwrap_model(trainer.model)
    train_model.model[0].register_forward_pre_hook(preprocess_input)

model = YOLO("yolo26n.pt")
model.add_callback("on_pretrain_routine_end", register_forward_pre_hook)
model.train(data="coco8.yaml", epochs=1)

unwrap_model(), hem tek cihazlı hem de DistributedDataParallel eğitimini yönetir. Yerel olarak tanımlanmış bir kancayı trainer.ema.ema üzerine ekleme; çünkü eğitim kontrol noktaları EMA modelini serileştirir ve kontrol noktası yüklenirken başka bir işlem geri çağrıyı içe aktaramayabilir. Aynı ön işleme eğitim doğrulaması sırasında da çalışmalıysa çalışma zamanı kancası yerine içe aktarılabilir bir model bileşeni olarak uygula. NaN kurtarma, EMA'yı eğitim modelinden yeniden oluşturur; dolayısıyla bu şekilde kaydedilen bir kanca EMA'ya kopyalanır ve kurtarma sonrasında kaydedilen kontrol noktalarına eklenir. Kontrol noktalarının başka bir işlemde yüklenmesi gerekiyorsa kanca işlevini içe aktarılabilir bir modülde tanımla.

Bağımsız model.val(), her çağrı için yüklenen modelin bir kopyasını oluşturur. Tahmin, ilk çağrısında bir kopya oluşturup önbelleğe alır; bu nedenle kancaları ilk model.predict() veya model.track() çağrısından önce model.model üzerine kaydet. Daha sonra eklenen kancalar önbelleğe alınmış tahminciye ulaşmaz. Yeni bir işlemde kontrol noktası yükledikten sonra çalışma zamanı kancalarını yeniden kaydet.

Model metriklerine on_model_save geri çağrısını kullanarak eriş#

Bu örnek, on_model_save geri çağrısı kullanılarak bir kontrol noktası kaydedildikten sonra best_fitness puanı, total_loss ve diğer metrikler gibi eğitim ayrıntılarının nasıl alınacağını gösterir.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")

def print_checkpoint_metrics(trainer):
    """Print trainer metrics and loss details after each checkpoint is saved."""
    print(
        f"Model details\n"
        f"Best fitness: {trainer.best_fitness}, "
        f"Loss names: {trainer.loss_names}, "  # List of loss names
        f"Metrics: {trainer.metrics}, "
        f"Total loss: {trainer.tloss}"  # Total loss value
    )

if __name__ == "__main__":
    # Add on_model_save callback.
    model.add_callback("on_model_save", print_checkpoint_metrics)

    # Run model training on custom dataset.
    results = model.train(data="coco8.yaml", epochs=3)

Tüm Geri Çağrılar#

Aşağıda desteklenen tüm geri çağrılar listelenmiştir. Daha fazla ayrıntı için geri çağrıların kaynak koduna bak.

Eğitici Geri Çağrıları#

Geri çağrıAçıklama
on_pretrain_routine_startVeri yükleme ve model kurulumu başlamadan önce, eğitim öncesi yordamın başında tetiklenir.
on_pretrain_routine_endVeri yükleme ve model kurulumu tamamlandıktan sonra, eğitim öncesi yordamın sonunda tetiklenir.
on_train_startEğitim başladığında, ilk epoch başlamadan önce tetiklenir.
on_train_epoch_startHer eğitim epoch'u başladığında, yığın yinelemesi başlamadan önce tetiklenir.
on_train_batch_startHer eğitim batch'inin başında, ileri geçişten önce tetiklenir.
optimizer_stepOptimizasyon adımı sırasında tetiklenir. Özel entegrasyonlar için ayrılmıştır; varsayılan eğitim döngüsü tarafından çağrılmaz.
on_before_zero_gradGradyanlar sıfırlanmadan önce tetiklenir. Özel entegrasyonlar için ayrılmıştır; varsayılan eğitim döngüsü tarafından çağrılmaz.
on_train_batch_endGeri yayılım geçişinden sonra, her eğitim batch'inin sonunda tetiklenir. Gradyan biriktirme nedeniyle optimizasyon adımı ertelenebilir.
on_train_epoch_endTüm batch'ler işlendikten sonra, her eğitim epoch'unun sonunda ancak doğrulamadan önce tetiklenir. Doğrulama metrikleri ve uygunluk puanı henüz kullanılabilir olmayabilir.
on_model_saveModel kontrol noktası doğrulamadan sonra kaydedildiğinde tetiklenir.
on_fit_epoch_endHer fit epoch'unun (eğitim + doğrulama) sonunda, doğrulama ve kontrol noktası kaydetme işlemleri sonrasında tetiklenir. Doğrulama metrikleri kullanılabilir durumdadır ve her epoch'un eğitim çağrısı için uygunluk puanı kullanılabilir. Bu geri çağrı, en iyi modelin son değerlendirmesi sırasında da çağrılır; bu aşamada kontrol noktası kaydedilmez ve uygunluk puanı bulunmayabilir.
on_train_endEn iyi modelin son değerlendirmesinden sonra eğitim süreci sona erdiğinde tetiklenir.
on_params_updateModel parametreleri güncellendiğinde tetiklenir. Özel entegrasyonlar için ayrılmıştır; varsayılan eğitim döngüsü tarafından çağrılmaz.
teardownEğitim süreci temizlenirken tetiklenir.

Doğrulayıcı Geri Çağrıları#

Geri çağrıAçıklama
on_val_startDoğrulama başladığında tetiklenir.
on_val_batch_startHer doğrulama batch'inin başında tetiklenir.
on_val_batch_endHer doğrulama batch'inin sonunda tetiklenir.
on_val_endDoğrulama sona erdiğinde tetiklenir.

Tahminci Geri Çağrıları#

Geri çağrıAçıklama
on_predict_startTahmin süreci başladığında tetiklenir.
on_predict_batch_startHer tahmin batch'inin başında tetiklenir.
on_predict_postprocess_endTahmin son işleme aşamasının sonunda tetiklenir.
on_predict_batch_endHer tahmin batch'inin sonunda tetiklenir.
on_predict_endTahmin süreci sona erdiğinde tetiklenir.

Dışa Aktarıcı Geri Çağrıları#

Geri çağrıAçıklama
on_export_startDışa aktarma süreci başladığında tetiklenir.
on_export_endDışa aktarma süreci sona erdiğinde tetiklenir.

Sık Sorulan Sorular#

  • Ultralytics geri çağırımları; eğitim, doğrulama, tahmin ve dışa aktarma gibi model işlemlerinin önemli aşamalarında tetiklenen giriş noktalarıdır. Kitaplığı değiştirmeden sürecin belirli noktalarına özel işlevler eklemene olanak tanırlar. Her geri çağırım, işlem türüne bağlı olarak bir Trainer, Validator, Predictor veya Exporter nesnesi kabul eder.

    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)
    İpucu

    freeze kullanırken BatchNorm istatistiklerini dondurmak için geri çağrıya ihtiyacın yok: eğitici, dondurulmuş katmanların BatchNorm katmanlarını her epoch'un başında otomatik olarak değerlendirme moduna alır.

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

  • Doğrulama geri çağırımları, model değerlendirmesine özel işleme, günlük kaydı veya metrik hesaplama eklemene olanak tanır. on_val_start, on_val_batch_end ve on_val_end gibi geri çağırımlar, doğrulamanın her aşamasına özel mantık eklemek için giriş noktaları 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'larının 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.

Katkıda Bulunanlar

Yorumlar15

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. drbilal216GitHub

    Hi can i and how use callback to freeze initial layers for number of epochs and unfreeze after that, is there any builtin function for that? i used freeze builtin function but it freezes for all the epochs.

    1. drbilal216GitHub

      also, after certain epochs the change in model training is minimal can we use callback then to change lr, how and what parameter to change ?

    2. Glenn JocherUltralytics

      @drbilal216 yes, you can use callbacks to freeze/unfreeze layers dynamically during training. Here's how to freeze initial layers for specific epochs then unfreeze them:

      from ultralytics import YOLO
      
      def dynamic_freeze_callback(trainer):
          freeze_epochs = 10  # Freeze for first 10 epochs
          freeze_layers = 10  # Number of layers to freeze
          
          if trainer.epoch < freeze_epochs:
              # Freeze layers
              for i, (name, param) in enumerate(trainer.model.named_parameters()):
                  if i < freeze_layers:
                      param.requires_grad = False
          else:
              # Unfreeze all layers
              for param in trainer.model.parameters():
                  param.requires_grad = True
      
      model = YOLO("yolo11n.pt")
      model.add_callback("on_train_epoch_start", dynamic_freeze_callback)
      model.train(data="coco8.yaml", epochs=20)

      For dynamic learning rate adjustment when training plateaus, you can modify the scheduler within a callback:

      def dynamic_lr_callback(trainer):
          if trainer.epoch > 50 and trainer.epoch % 10 == 0:  # Every 10 epochs after epoch 50
              for param_group in trainer.optimizer.param_groups:
                  param_group['lr'] *= 0.9  # Reduce LR by 10%
      
      model.add_callback("on_train_epoch_end", dynamic_lr_callback)
      1
    3. drbilal216GitHub

      @glenn-jocher Thanks for the code! I'm working on a low-quality PPE dataset. With a custom YAML, I improved YOLOv12n accuracy by 3%, and got similar results on YOLOv11n with better FPS.

      The default Nano model lets me use pretrained=True, but custom architectures start from scratch. Still, I can reuse best.pt as pretrained weights on the same YAML later.

      I'm now exploring argument tuning and callbacks for further improvements. I also tried freezing/unfreezing layers mid-training but saw no gains.

      Lastly, I integrated Flash into YOLOv12, but I don’t see any sign that it’s being used during training (tested on Colab and A100 80GB-server).

  2. jnance34GitHub

    Hello,

    I'm trying to implement a custom on_pretrain_routine_end callback with a model.tune() call, but it appears that the Tuner class isn't adding my custom callback function to the Tuner.callbacks list. Here's some pseudo code of what I'm trying to do:

    def my_custom_callback(trainer):
        print("I'm in my custom callback function!")
    
    model = YOLO("model/yolo11n.pt")
    model.add_callback('on_pretrain_routine_end', my_custom_function)
    model.tune(...)
    # Expect to see "I'm in my custom callback function" for each trial run...

    For some reason my custom callback function isn't getting called for each training run of the Tuner. Am I missing a step here? I've taken a look at the source code but don't see anything obviously wrong...

    Thanks!

    -James

  3. ruslanraupoffGitHub

    When I'm using single device add_callback works well but multi gpu's not working any solution for this?

    1. Glenn JocherUltralytics

      @ruslanraupoff for multi-GPU training with callbacks, ensure your callback function is properly registered in all processes. When using DDP mode, callbacks need to be added before the training starts and should be compatible with distributed training environments. If you're experiencing issues, verify that your callback logic is thread-safe and doesn't rely on process-specific resources. For implementation details, refer to our callbacks documentation: https://docs.ultralytics.com/usage/callbacks

      1
  4. D3RK0GitHub

    Hi, in the documentation above, I see that predictor.batch is used, which I assume refers to the current batch of the predictor. Is there a similar trainer.batch for a trainer? I need it in order to apply data augmentation during the training of my YOLOv8 classifier.

    1. D3RK0GitHub

      I forgot to ask which (callback) event do I need to select?

    2. Glenn JocherUltralytics(düzenlendi)

      @D3RK0 trainer callbacks only receive the trainer object, so the current batch is not available there as trainer.batch. To apply custom augmentation to each training batch, subclass your trainer (e.g. ClassificationTrainer) and override preprocess_batch(self, batch), which receives every training batch before the forward pass.

    3. D3RK0GitHub(düzenlendi)

      @glenn-jocher Many thanks for your quick response!

      I am dealing with following problem though:

      Problem

      When I do trainer.batch, I get the following error:

      Traceback (most recent call last):
        File "C:\Program Files\JetBrains\PyCharm Community Edition 2022.3.3\plugins\python-ce\helpers\pydev\pydevd.py", line 1534, in _exec
          pydev_imports.execfile(file, globals, locals)  # execute the script
          ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
        File "C:\Program Files\JetBrains\PyCharm Community Edition 2022.3.3\plugins\python-ce\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfile
          exec(compile(contents+"\n", file, 'exec'), glob, loc)
        File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 397, in <module>
          main()
        File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 377, in main
          model.train(mode="classify",
        File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\model.py", line 802, in train
          self.trainer.train()
        File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 207, in train
          self._do_train(world_size)
        File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 368, in _do_train
          self.run_callbacks("on_train_batch_start")
        File "C:\Users\derk_\anaconda3\envs\cobra\Lib\site-packages\ultralytics\engine\trainer.py", line 168, in run_callbacks
          callback(self)
        File "C:\Users\derk_\Documents\Universiteit\IRP\Research_Project\main.py", line 185, in batch_augmentation_callback
          batch = trainer.batch  # Access the current batch
                  ^^^^^^^^^^^^^
      AttributeError: 'ClassificationTrainer' object has no attribute 'batch'

      My code

      model = YOLO("yolov8m-cls.pt")
      
      model.add_callback("on_train_batch_start", batch_augmentation_callback)
      
      model.train(mode="classify",
                  data=data_file_dir,
                  epochs=args.n_epochs)
      
      # Where batch_augmentation_callback is my callback function
      def batch_augmentation_callback(trainer):
          batch = trainer.batch                                        # This code line causes the error reported above
          images, labels = batch['img'], batch['label']
          # More code below to create data augmentation

      Content of trainer object that is passed into batch_augmentation_callback (my callback function)

      • trainer = {ClassificationTrainer} <ultralytics.models.yolo.classify.train.ClassificationTrainer object at 0x0000016929FA5010>
      • accumulate = {int} 4
      • amp = {bool} False
      • args = {IterableSimpleNamespace} IterableSimpleNamespace(task='classify', mode='train', model='yolov8m-cls.pt', data='C:/Users/derk_/Documents/Universiteit/IRP...ugment='randaugment', erasing=0.4, crop_fraction=1.0, cfg=None, tracker='botsort.yaml', save_dir='C:\runs\classify\train53')
      • batch_size = {int} 16
      • best = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights/best.pt')
      • best_fitness = {NoneType} None
      • callbacks = {defaultdict: 25} defaultdict(<class 'list'>, {'on_pretrain_routine_start': [<function on_pretrain_routine_start at 0x0000016929C79440>, <functi...C7A2A0>, <function on_export_start at 0x000001692A55C220>], 'on_export_end': [<function on_export_end at 0x0000016929C7A340>]})
      • csv = {WindowsPath} WindowsPath('C:/runs/classify/train53/results.csv')
      • data = {dict: 5} {'names': {0: '1', 1: '10', 2: '100', 3: '101', 4: '102', 5: '11', 6: '12', 7: '13', 8: '14', 9: '15', 10: '16', 11: '17', 12: '18', 13: '19', 14: '2', 15: '20', 16: '21', 17: '22', 18: '23', 19: '24', 20: '25', 21: '26', 22: '27', 23: '28', 24: '29', 25:
      • device = {device} device(type='cpu')
      • ema = {ModelEMA} <ultralytics.utils.torch_utils.ModelEMA object at 0x000001692AC80C90>
      • epoch = {int} 0
      • epoch_time = {NoneType} None
      • epoch_time_start = {float} 1731355033.8569636
      • epochs = {int} 1
      • fitness = {NoneType} None
      • hub_session = {NoneType} None
      • last = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights/last.pt')
      • loss = {NoneType} None
      • loss_names = {list: 1} ['loss']
      • metrics = {dict: 3} {'metrics/accuracy_top1': 0, 'metrics/accuracy_top5': 0, 'val/loss': 0}
      • model = {ClassificationModel} ClassificationModel(\n (model): Sequential(\n (0): Conv(\n (conv): Conv2d(3, 48, kernel_size=(3, 3), stride=(2, 2), padd...1)\n (drop): Dropout(p=0.0, inplace=True)\n (linear): Linear(in_features=1280, out_features=102, bias=True)\n )\n )\n)
      • optimizer = {AdamW} AdamW (\nParameter Group 0\n amsgrad: False\n base_momentum: 0.85\n betas: (0.9499811807836418, 0.999)\n capturable: Fa... lr: 0.004018066447703833\n max_lr: 0.1\n max_momentum: 0.95\n maximize: False\n min_lr: 4e-07\n weight_decay: 0.0\n)
      • plot_idx = {list: 6} [0, 1, 2, -3465, -3464, -3463]
      • plots = {dict: 0} {}
      • resume = {bool} False
      • save_dir = {WindowsPath} WindowsPath('C:/runs/classify/train53')
      • save_period = {int} 1
      • scaler = {GradScaler} <torch.amp.grad_scaler.GradScaler object at 0x000001692921A0D0>
      • scheduler = {OneCycleLR} <torch.optim.lr_scheduler.OneCycleLR object at 0x000001692ACF5210>
      • start_epoch = {int} 0
      • stop = {bool} False
      • stopper = {EarlyStopping} <ultralytics.utils.torch_utils.EarlyStopping object at 0x000001692ACF7190>
      • stride = {int} 32
      • test_loader = {InfiniteDataLoader: 32} <ultralytics.data.build.InfiniteDataLoader object at 0x000001692AAD7B50>
      • testset = {WindowsPath} WindowsPath('C:/Users/derk_/Documents/Universiteit/IRP/Research_Project/Oxford-Flower-dataset/jpg/val')
      • tloss = {NoneType} None
      • train_loader = {InfiniteDataLoader: 385} <ultralytics.data.build.InfiniteDataLoader object at 0x00000169297FFDD0>
      • train_time_start = {float} 1731355033.8569636
      • trainset = {WindowsPath} WindowsPath('C:/Users/derk_/Documents/Universiteit/IRP/Research_Project/Oxford-Flower-dataset/jpg/train')
      • validator = {ClassificationValidator} <ultralytics.models.yolo.classify.val.ClassificationValidator object at 0x000001692AC80BD0>
      • wdir = {WindowsPath} WindowsPath('C:/runs/classify/train53/weights')

      Question

      If it is right that trainer.batch does not exist (in this case), which other object in trainer - as listed above in the content of trainer - can I extract the current batch?

    4. Glenn JocherUltralytics(düzenlendi)

      The trainer.batch attribute does not exist in the current implementation, and iterating trainer.train_loader inside a callback would draw a different batch rather than the current one. Instead, override preprocess_batch(self, batch) in a custom trainer subclass to modify each batch before it is used.

    5. D3RK0GitHub(düzenlendi)

      @glenn-jocher Many thanks for answering!

      Okay, I have been able to access the batches via trainer.train_loader and subsequently apply data augmentation to each batch. However, ...

      Problem

      ... assigning the batch back (see also the code below) to trainer.train_loader is not possible, as I get:

      trainer.train_loader[i] = batch ~~~~~~~~~~~~~~~~~~~~^^^ TypeError: 'InfiniteDataLoader' object does not support item assignment

      Code

      def batches_augmentation_callback(trainer):
          for i, batch in enumerate(trainer.train_loader):
              images, labels = batch['img'], batch['cls']
              cutmix_or_mixup = LoadOxfordFlowerDataset.data_augmentation(n_classes_in_batch=args.n_classes)
              images, labels = cutmix_or_mixup(images, labels)
              batch = {"img": images, "cls": labels}
              trainer.train_loader[i] = batch     # BUG: trainer.train_loader object does not support item assignment

      Question

      How can I return the augmented batch to the trainer object if assignment does not work?

    6. Glenn JocherUltralytics

      You cannot directly assign to trainer.train_loader. Instead, apply your augmentation within the loop and yield the modified batch back to the training process. Consider using a custom data loader or modifying the dataset directly for more complex augmentations.