Các callback#

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, kiểm tra (validation), xuất và dự đoán. Các tính năng callback này cho phép thực hiện chức năng tùy chỉnh tại các điểm cụ thể trong quy trình, cho phép cải tiến và sửa đổi luồng công việc. Mỗi callback chấp 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 Phần tham khảo.

Để sử dụng một callback, hãy định nghĩa một hàm và thêm nó vào model bằng 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 tiêm logic vào các giai đoạn cụ thể của quá trình huấn luyện. Ultralytics YOLO cung cấp nhiều loại callbacks huấn luyện, chẳng hạn như on_train_start, on_train_end và on_train_batch_end, cho phép bạn thêm các chỉ số tùy chỉnh, xử lý hoặc ghi nhật ký.

Dưới đây là cách đóng băng các thống kê BatchNorm khi đóng băng các layer bằng callback:

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 cách sử dụng hiệu quả các callbacks huấn luyện, hãy xem Hướng dẫn huấn luyện.

Sử dụng các callbacks trong quá trình kiểm tra (validation) trong Ultralytics YOLO giúp nâng cao việc đánh giá model bằng cách cho phép xử lý tùy chỉnh, ghi nhật ký hoặc tính toán chỉ số. Các callbacks như on_val_start, on_val_batch_end và on_val_end cung cấp các điểm truy cập để tiêm logic tùy chỉnh, đảm bảo quy trình kiểm tra chi tiết và toàn diện.

Ví dụ, để vẽ tất cả các batch validation thay vì chỉ ba batch 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 callbacks vào quy trình kiểm tra (validation) của bạn, hãy xem Hướng dẫn kiểm tra (Validation Guide).

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

Đây là một ví dụ nơi một callback tùy chỉnh lưu các dự đoán dựa trên việc một đối tượng thuộc 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, nơi bao gồm các hướng dẫn chi tiết và các tùy chọn tùy chỉnh bổ sung.

Ultralytics YOLO hỗ trợ nhiều triển khai thực tế của các callback nhằm nâng cao và tùy chỉnh các giai đoạn khác nhau như huấn luyện, validation 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 ở cuối các epoch huấn luyện hoặc kiểm tra.
• Tăng cường dữ liệu: Triển khai các phép biến đổi dữ liệu hoặc tăng cường dữ liệu tùy chỉnh trong quá trình dự đoán hoặc các batch huấn luyện.
• Kết quả trung gian: Lưu các kết quả trung gian, chẳng hạn như 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 callback để biết thêm các tùy chọn và ví dụ.