Các hàm gọi lại#

Các callback của Ultralytics là các điểm truy cập chuyên biệt được kích hoạt trong các giai đoạn quan trọng của các hoạt động model như huấn luyện, xác thực, xuất và dự đoán. Các callback này cho phép tính năng tùy chỉnh tại các điểm cụ thể trong quy trình, cho phép cải tiến và sửa đổi quy trình làm việc. Mỗi callback nhận một đối tượng Trainer, Validator hoặc Predictor, tùy thuộc vào loại thao tác. Để biết các thuộc tính chi tiết của các đối tượng này, hãy tham khảo các trang tham khảo BaseTrainer, BaseValidator và BasePredictor.

Để sử dụng một hàm gọi lại, hãy định nghĩa một hàm và thêm hàm đó vào mô hình bằng cách sử dụng phương thức model.add_callback(). Dưới đây là ví dụ về việc trả về thông tin bổ sung trong quá trình dự đoán:

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

Tùy chỉnh quy trình huấn luyện Ultralytics của bạn bằng cách chèn logic ở các giai đoạn cụ thể của quy trình huấn luyện. YOLO Ultralytics cung cấp nhiều hàm gọi lại huấn luyện khác nhau, chẳng hạn như on_train_start, on_train_end và on_train_batch_end, cho phép bạn thêm các chỉ số, xử lý hoặc ghi nhật ký tùy chỉnh.

Dưới đây là cách đóng băng các thống kê BatchNorm khi đóng băng các lớp bằng các hàm gọi lại:

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)

Để biết thêm chi tiết về việc sử dụng hiệu quả các hàm gọi lại huấn luyện, hãy xem Hướng dẫn huấn luyện.

Việc sử dụng các hàm gọi lại trong quá trình xác thực trong YOLO Ultralytics giúp nâng cao việc đánh giá mô hình bằng cách cho phép xử lý tùy chỉnh, ghi nhật ký hoặc tính toán chỉ số. Các hàm gọi lại như on_val_start, on_val_batch_end và on_val_end cung cấp các điểm truy cập để chèn logic tùy chỉnh, đảm bảo các quy trình xác thực chi tiết và toàn diện.

Ví dụ, để vẽ biểu đồ cho tất cả các lô xác thực thay vì chỉ ba lô đầu tiên:

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")

Để có thêm thông tin chi tiết về việc kết hợp các hàm gọi lại vào quy trình xác thực của bạn, hãy xem Hướng dẫn xác thực.

Để đính kèm một hàm gọi lại tùy chỉnh cho chế độ dự đoán trong YOLO Ultralytics, hãy định nghĩa một hàm gọi lại và đăng ký hàm gọi lại với quy trình dự đoán. Các hàm gọi lại dự đoán phổ biến bao gồm on_predict_start, on_predict_batch_end và on_predict_end. Các hàm gọi lại này cho phép sửa đổi các đầu ra dự đoán và tích hợp các chức năng bổ sung, như ghi nhật ký dữ liệu hoặc biến đổi kết quả.

Dưới đây là ví dụ trong đó một hàm gọi lại tùy chỉnh lưu các dự đoán dựa trên việc liệu một đối tượng thuộc một lớp cụ thể có xuất hiện hay không:

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

Để sử dụng toàn diện hơn, hãy tham khảo Hướng dẫn dự đoán, bao gồm các hướng dẫn chi tiết và các tùy chọn tùy chỉnh bổ sung.

YOLO Ultralytics hỗ trợ các cách triển khai thực tế khác nhau của các hàm gọi lại để nâng cao và tùy chỉnh các giai đoạn khác nhau như huấn luyện, xác thực và dự đoán. Một số ví dụ thực tế bao gồm:

• Ghi nhật ký các chỉ số tùy chỉnh: Ghi lại các chỉ số bổ sung ở các giai đoạn khác nhau, chẳng hạn như vào cuối các kỷ nguyên huấn luyện hoặc xác thực.
• Tăng cường dữ liệu: Triển khai các phép biến đổi hoặc tăng cường dữ liệu tùy chỉnh trong các lô dự đoán hoặc huấn luyện.
• Kết quả trung gian: Lưu các kết quả trung gian, chẳng hạn như các dự đoán hoặc khung hình, để phân tích hoặc trực quan hóa thêm.

Ví dụ: Kết hợp các khung hình với kết quả dự đoán trong quá trình dự đoán bằng cách sử dụng 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("yolo26n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

Khám phá mã nguồn hàm gọi lại để biết thêm các tùy chọn và ví dụ.