Gelişmiş Özelleştirme

Q: How do I customize the Ultralytics YOLO11 DetectionTrainer for specific tasks?

To customize the Ultralytics YOLO11 DetectionTrainer for a specific task, you can override its methods to adapt to your custom model and dataloader. Start by inheriting from DetectionTrainer and then redefine methods like get_model to implement your custom functionalities. Here's an example: For further customization like changing the loss function or adding a callback, you can reference our Callbacks Guide.

Q: What are the key components of the BaseTrainer in Ultralytics YOLO11?

The BaseTrainer in Ultralytics YOLO11 serves as the foundation for training routines and can be customized for various tasks by overriding its generic methods. Key components include: For more details on the customization and source code, see the BaseTrainer Reference.

Q: How can I add a callback to the Ultralytics YOLO11 DetectionTrainer?

You can add callbacks to monitor and modify the training process in Ultralytics YOLO11 DetectionTrainer. For instance, here's how you can add a callback to log model weights after every training epoch: For further details on callback events and entry points, refer to our Callbacks Guide.

Q: Why should I use Ultralytics YOLO11 for model training?

Ultralytics YOLO11 offers a high-level abstraction on powerful engine executors, making it ideal for rapid development and customization. Key benefits include: Learn more about YOLO11's capabilities by visiting Ultralytics YOLO.

Q: Can I use the Ultralytics YOLO11 DetectionTrainer for non-standard models?

Yes, Ultralytics YOLO11 DetectionTrainer is highly flexible and can be customized for non-standard models. By inheriting from DetectionTrainer, you can overload different methods to support your specific model's needs. Here's a simple example: For more comprehensive instructions and examples, review the DetectionTrainer documentation.

Hem Ultralytics YOLO komut satırı hem de Python arayüzleri, temel motor çalıştırıcıları üzerinde basitçe üst düzey bir soyutlamadır. Şimdi Trainer motoruna bir göz atalım.

İzle: Mastering Ultralytics YOLO: Advanced Customization

BaseTrainer

BaseTrainer genel şablon eğitim rutinini içerir. Doğru formatlar takip edildiği sürece gerekli fonksiyonları veya işlemleri geçersiz kılmaya dayalı herhangi bir görev için özelleştirilebilir. Örneğin, sadece bu fonksiyonları geçersiz kılarak kendi özel modelinizi ve veri yükleyicinizi destekleyebilirsiniz:

get_model(cfg, weights) - Eğitilecek modeli oluşturan fonksiyon
get_dataloader() - Veri yükleyiciyi oluşturan işlev Daha fazla ayrıntı ve kaynak kodu şurada bulunabilir BaseTrainer Referans

DetectionTrainer

YOLO11'i şu şekilde kullanabilirsiniz DetectionTrainer ve özelleştirin.

from ultralytics.models.yolo.detect import DetectionTrainer

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

DetectionTrainer'ı Özelleştirme

Eğitmeni kişiselleştirelim özel bir algılama modelini eğitmek için doğrudan desteklenmeyen. Bunu basitçe var olan get_model işlevsellik:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model given configuration and weight files."""
        ...


trainer = CustomTrainer(overrides={...})
trainer.train()

Artık eğitim setini daha da özelleştirmeniz gerektiğini fark ettiniz:

Özelleştirin loss function.
Ekle callback Her 10 dakikada bir Google Drive'ınıza model yükleyen epochs İşte bunu nasıl yapabileceğiniz:

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, weights):
        """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 callback
trainer.train()

Geri Çağırma tetikleme olayları ve giriş noktası hakkında daha fazla bilgi edinmek için Geri Çağırma Kılavuzumuza göz atın

Diğer motor bileşenleri

Benzer şekilde özelleştirilebilen başka bileşenler de vardır Validators ve Predictors. Bunlar hakkında daha fazla bilgi için Referans bölümüne bakın.

SSS

Ultralytics YOLO11 DetectionTrainer'ı belirli görevler için nasıl özelleştirebilirim?

Ultralytics YOLO11 adresini özelleştirmek için DetectionTrainer belirli bir görev için, özel modelinize ve veri yükleyicinize uyarlamak için yöntemlerini geçersiz kılabilirsiniz. Şuradan miras alarak başlayın DetectionTrainer ve sonra aşağıdaki gibi yöntemleri yeniden tanımlayın get_model özel işlevlerinizi uygulamak için. İşte bir örnek:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model given configuration and weight files."""
        ...


trainer = CustomTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # get best model

Değiştirme gibi daha fazla özelleştirme için loss function veya bir callbackreferans gösterebilirsiniz Geri Çağırma Kılavuzu.

Ultralytics YOLO11 adresindeki BaseTrainer'ın temel bileşenleri nelerdir?

Bu BaseTrainer Ultralytics YOLO11 eğitim rutinleri için temel oluşturur ve genel yöntemleri geçersiz kılınarak çeşitli görevler için özelleştirilebilir. Temel bileşenler şunları içerir:

get_model(cfg, weights) eğitilecek modeli oluşturmak için.
get_dataloader() veri yükleyiciyi oluşturmak için.

Özelleştirme ve kaynak kodu hakkında daha fazla ayrıntı için bkz. BaseTrainer Referans.

Ultralytics YOLO11 DetectionTrainer'a nasıl geri arama ekleyebilirim?

Ultralytics YOLO11 adresinde eğitim sürecini izlemek ve değiştirmek için geri aramalar ekleyebilirsiniz DetectionTrainer. For instance, here's how you can add a callback to log model weights after every training çağ:

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()

Geri arama olayları ve giriş noktaları hakkında daha fazla bilgi için Geri Arama Kılavuzumuza bakın.

Model eğitimi için neden Ultralytics YOLO11 adresini kullanmalıyım?

Ultralytics YOLO11, güçlü motor yürütücüleri üzerinde üst düzey bir soyutlama sunarak hızlı geliştirme ve özelleştirme için idealdir. Temel avantajlar şunlardır:

Kullanım Kolaylığı: Hem komut satırı hem de Python arayüzleri karmaşık görevleri basitleştirir.
Performance: Optimized for real-time object detection and various vision AI applications.
Customization: Easily extendable for custom models, loss functions, and dataloaders.

Learn more about YOLO11's capabilities by visiting Ultralytics YOLO.

Ultralytics YOLO11 DetectionTrainer'ı standart olmayan modeller için kullanabilir miyim?

Evet, Ultralytics YOLO11 DetectionTrainer son derece esnektir ve standart olmayan modeller için özelleştirilebilir. Şuradan miras alarak DetectionTrainermodelinizin ihtiyaçlarını desteklemek için farklı yöntemleri aşırı yükleyebilirsiniz. İşte basit bir örnek:

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Loads a custom detection model."""
        ...


trainer = CustomDetectionTrainer(overrides={...})
trainer.train()