Gelişmiş Özelleştirme
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 : Gelişmiş Özelleştirme
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 fonksiyonget_dataloader()
- Veri yükleyiciyi oluşturan işlev Daha fazla ayrıntı ve kaynak kodu şurada bulunabilirBaseTrainer
Referans
DetectionTrainer
İşte nasıl kullanabileceğiniz YOLO11 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 yükleyenepochs
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?
Özelleştirmek için Ultralytics YOLO11 DetectionTrainer
belirli bir görev için, özel modelinize ve dataloader'ınıza 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 callback
referans gösterebilirsiniz Geri Çağırma Kılavuzu.
Ultralytics YOLO11 adresindeki BaseTrainer'ın temel bileşenleri nelerdir?
Bu BaseTrainer
Ultralytics YOLO11 adresinde eğitim rutinlerinin temelini 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?
Eğitim sürecini izlemek ve değiştirmek için geri aramalar ekleyebilirsiniz Ultralytics YOLO11 DetectionTrainer
. Örneğin, her eğitimden sonra model ağırlıklarını günlüğe kaydetmek için şu şekilde bir geri arama ekleyebilirsiniz 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.
- Performans: Gerçek zamanlı nesne algılama ve çeşitli görsel yapay zeka uygulamaları için optimize edilmiştir.
- Özelleştirme: Özel modeller, kayıp fonksiyonları ve veri yükleyicileri için kolayca genişletilebilir.
YOLO11 adresini ziyaret ederek 'un yetenekleri hakkında daha fazla bilgi edinin Ultralytics YOLO.
Standart olmayan modeller için Ultralytics YOLO11 DetectionTrainer'ı kullanabilir miyim?
Evet, Ultralytics YOLO11 DetectionTrainer
son derece esnektir ve standart olmayan modeller için özelleştirilebilir. Şuradan miras alarak DetectionTrainer
modelinizin 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()
Daha kapsamlı talimatlar ve örnekler için DetectionTrainer belgelerini inceleyin.