Link to this sectionGeri Çağırmalar (Callbacks)#

Ultralytics çerçevesi; train, val, export ve predict modları sırasında stratejik aşamalarda giriş noktası olarak hizmet veren geri çağırmaları (callbacks) destekler. Her geri çağırma, işlem türüne bağlı olarak bir Trainer, Validator veya Predictor nesnesini kabul eder. Bu nesnelerin tüm özellikleri, belgelerin Referans bölümünde ayrıntılı olarak açıklanmıştır.

Link to this sectionÖrnekler#

Link to this sectionTahmin ile Ek Bilgi Döndürme#

Bu örnekte, her bir sonuç nesnesiyle birlikte orijinal kareyi (frame) nasıl döndüreceğimizi gösteriyoruz:

from ultralytics import YOLO

def on_predict_batch_end(predictor):
    """Combine prediction results with corresponding frames."""
    _, 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("yolo26n.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

Link to this sectionon_model_save geri çağırmasını kullanarak Model metriklerine erişim#

Bu örnek, on_model_save geri çağırması kullanılarak bir kontrol noktası (checkpoint) kaydedildikten sonra best_fitness skoru, 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)

Link to this sectionTüm Geri Çağırmalar#

Desteklenen tüm geri çağırmalar aşağıdadır. Daha fazla ayrıntı için geri çağırmalar kaynak koduna bakın.

Link to this sectionEğitmen (Trainer) Geri Çağırmaları#

Link to this sectionDoğrulayıcı (Validator) Geri Çağırmaları#

Link to this sectionTahminci (Predictor) Geri Çağırmaları#

Link to this sectionDışa Aktarıcı (Exporter) Geri Çağırmaları#

Link to this sectionSSS#

Link to this sectionUltralytics geri çağırmaları nelerdir ve bunları nasıl kullanabilirim?#

Ultralytics geri çağırmaları; eğitim, doğrulama, dışa aktarma ve tahmin gibi temel model işlemleri sırasında tetiklenen özel giriş noktalarıdır. Bu geri çağırmalar, sürecin belirli noktalarında özel işlevsellik sağlayarak iş akışında iyileştirmelere ve değişikliklere olanak tanır. Her geri çağırma, işlem türüne bağlı olarak bir Trainer, Validator veya Predictor nesnesini kabul eder. Bu nesnelerin ayrıntılı özellikleri için Referans bölümüne bakın.

Bir geri çağırma kullanmak için bir fonksiyon tanımla ve bunu model.add_callback() yöntemini kullanarak modele ekle. İşte tahmin sırasında ek bilgi döndürmeye dair 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

Link to this sectionUltralytics eğitim rutinini geri çağırmaları kullanarak nasıl özelleştirebilirim?#

Eğitim sürecinin belirli aşamalarında mantık ekleyerek Ultralytics eğitim rutinini özelleştir. Ultralytics YOLO, özel metrikler, işleme veya günlük kaydı eklemeni sağlayan on_train_start, on_train_end ve on_train_batch_end gibi çeşitli eğitim geri çağırmaları sağlar.

Geri çağırmalarla katmanları dondururken BatchNorm istatistiklerini dondurmanın yolu budur:

from ultralytics import YOLO

# Add a callback to put the frozen layers in eval mode to prevent BN values from changing
def put_in_eval_mode(trainer):
    n_layers = trainer.args.freeze
    if not isinstance(n_layers, int):
        return

    for i, (name, module) in enumerate(trainer.model.named_modules()):
        if name.endswith("bn") and int(name.split(".")[1]) < n_layers:
            module.eval()
            module.track_running_stats = False

model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

Eğitim geri çağırmalarını etkili bir şekilde kullanma hakkında daha fazla ayrıntı için Eğitim Kılavuzuna bak.

Link to this sectionUltralytics YOLO'da doğrulama sırasında neden geri çağırmaları kullanmalıyım?#

Ultralytics YOLO'da doğrulama sırasında geri çağırmaları kullanmak, özel işleme, günlük kaydı veya metrik hesaplamasını etkinleştirerek model değerlendirmesini geliştirir. on_val_start, on_val_batch_end ve on_val_end gibi geri çağırmalar, özel mantık eklemek için giriş noktaları sağlayarak ayrıntılı ve kapsamlı doğrulama süreçleri sunar.

Örneğin, sadece ilk üç yığın yerine tüm doğrulama yığınlarını çizdirmek 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 çağırmaları dahil etme konusunda daha fazla bilgi için Doğrulama Kılavuzuna bak.

Link to this sectionUltralytics YOLO'da tahmin modu için özel bir geri çağırmayı nasıl eklerim?#

Ultralytics YOLO'da tahmin modu için özel bir geri çağırma eklemek istiyorsan, bir geri çağırma fonksiyonu tanımla ve bunu tahmin süreciyle kaydet. Yaygın tahmin geri çağırmaları arasında on_predict_start, on_predict_batch_end ve on_predict_end bulunur. Bunlar, tahmin çıktılarının değiştirilmesine ve veri kaydı veya sonuç dönüştürme gibi ek işlevlerin entegrasyonuna olanak tanır.

İşte belirli bir sınıfa ait bir nesnenin bulunup bulunmadığına bağlı olarak tahminleri kaydeden özel bir geri çağırma 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 = model("pedestrians.mp4", stream=True, save=True)

for results in results:
    pass

Daha kapsamlı kullanım için, ayrıntılı talimatlar ve ek özelleştirme seçenekleri içeren Tahmin Kılavuzuna bak.

Link to this sectionUltralytics YOLO'da geri çağırmaları kullanmaya dair bazı pratik örnekler nelerdir?#

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

• Özel Metriklerin Günlüğünü Tutma: Eğitim veya doğrulama epochlarının sonu gibi farklı aşamalarda ek metriklerin günlüğünü tut.
• Veri Artırma: Tahmin veya eğitim yığınları sırasında özel veri dönüşümleri veya artırmaları uygula.
• Ara Sonuçlar: Daha fazla analiz veya görselleştirme için tahminler veya kareler gibi ara sonuçları kaydet.

Örnek: on_predict_batch_end kullanarak tahmin sırasında 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 çağırma kaynak kodunu keşfet.