Geri aramalar

Ultralytics çerçevesi, işlem sırasında stratejik aşamalarda giriş noktaları olarak hizmet veren geri aramaları destekler train, val, exportve predict modları. Her geri arama bir Trainer, Validatorveya Predictor nesnesi, işlem türüne bağlı olarak. Bu nesnelerin tüm özellikleri şu bölümde ayrıntılı olarak açıklanmıştır Referans bölümü dokümantasyonun.

İzle: Mastering Ultralytics YOLO : Geri aramalar

Örnekler

Tahminle Birlikte Ek Bilgi Döndürme

Bu örnekte, her bir sonuç nesnesiyle birlikte orijinal karenin nasıl döndürüleceğini 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("yolo11n.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

Tüm Geri Çağırmalar

Aşağıda desteklenen tüm geri aramalar bulunmaktadır. Daha fazla ayrıntı için geri aramalar kaynak koduna bakın.

Eğitmen Geri Aramaları

Doğrulayıcı Geri Çağırmaları

Tahminci Geri Çağırmaları

İhracatçı Geri Çağırmaları

SSS

Ultralytics geri aramaları nedir ve bunları nasıl kullanabilirim?

Ultralytics geri aramaları, eğitim, doğrulama, dışa aktarma ve tahmin gibi model işlemlerinin önemli aşamalarında tetiklenen özel giriş noktalarıdır. Bu geri aramalar, sürecin belirli noktalarında özel işlevsellik sağlayarak iş akışında geliştirmeler ve değişiklikler yapılmasına olanak tanır. Her geri arama bir Trainer, Validatorveya Predictor nesnesi, işlem türüne bağlı olarak. Bu nesnelerin ayrıntılı özellikleri için bkz. Referans bölümü.

Geri arama kullanmak için bir fonksiyon tanımlayın ve bunu modele eklemek için model.add_callback() yöntemini kullanabilirsiniz. İşte tahmin sırasında ek bilgi döndürmeye 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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Ultralytics eğitim rutinini geri aramaları kullanarak nasıl özelleştirebilirim?

Eğitim sürecinin belirli aşamalarında mantık enjekte ederek Ultralytics eğitim rutininizi özelleştirin. Ultralytics YOLO , aşağıdakiler gibi çeşitli eğitim geri aramaları sağlar on_train_start, on_train_endve on_train_batch_endözel ölçümler, işleme veya günlük kaydı eklemenize olanak tanır.

Geri aramalarla katmanları dondururken BatchNorm istatistiklerinin nasıl dondurulacağı aşağıda açıklanmıştır:

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("yolo11n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

Eğitim geri aramalarını etkin bir şekilde kullanma hakkında daha fazla bilgi için Eğitim Kılavuzu'na bakın.

Neden Ultralytics YOLO adresinde doğrulama sırasında geri aramalar kullanmalıyım?

Ultralytics YOLO 'da doğrulama sırasında geri aramaları kullanmak, özel işleme, günlük kaydı veya metrik hesaplamayı etkinleştirerek model değerlendirmesini geliştirir. Geri aramalar gibi on_val_start, on_val_batch_endve on_val_end özel mantık enjekte etmek için giriş noktaları sağlayarak ayrıntılı ve kapsamlı doğrulama süreçleri sağlar.

Örneğin, yalnızca ilk üç yerine tüm doğrulama gruplarını 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("yolo11n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

Geri aramaları doğrulama sürecinize dahil etme hakkında daha fazla bilgi için Doğrulama Kılavuzu'na bakın.

Ultralytics YOLO adresinde tahmin modu için özel bir geri çağırmayı nasıl ekleyebilirim?

Ultralytics YOLO'da tahmin modu için özel bir geri arama eklemek için, bir geri arama işlevi tanımlayın ve bunu tahmin işlemine kaydedin. Yaygın tahmin geri çağrıları şunları içerir on_predict_start, on_predict_batch_endve on_predict_end. Bunlar, tahmin çıktılarının değiştirilmesine ve veri kaydı veya sonuç dönüşümü gibi ek işlevlerin entegrasyonuna izin verir.

Burada, özel bir geri aramanın belirli bir sınıftan bir nesnenin mevcut olup olmadığına bağlı olarak tahminleri kaydettiği bir örnek yer almaktadır:

from ultralytics import YOLO

model = YOLO("yolo11n.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 Kılavuzu'na bakın.

Ultralytics YOLO adresinde geri aramaları kullanmanın bazı pratik örnekleri nelerdir?

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

• Özel Metrikleri Günlüğe Kaydetme: Eğitim veya doğrulama epoklarının sonu gibi farklı aşamalarda ek metrikleri günlüğe kaydedin.
• Veri Büyütme: Tahmin veya eğitim partileri sırasında özel veri dönüşümleri veya artırımları uygulayın.
• Ara Sonuçlar: Daha fazla analiz veya görselleştirme için tahminler veya çerçeveler gibi ara sonuçları kaydedin.

Örnek: Tahmin sırasında çerçevelerin tahmin sonuçlarıyla birleştirilmesi on_predict_batch_end:

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("yolo11n.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 arama kaynak kodunu keşfedin.

📅1 yıl önce oluşturuldu ✏️ 9 gün önce güncellendi

Yorumlar