Callback#

Callback của Ultralytics là các điểm truy cập chuyên biệt được kích hoạt trong những giai đoạn quan trọng của các hoạt động với model, chẳng hạn như huấn luyện, validation, export và prediction. Callback cho phép thêm chức năng tùy chỉnh tại các thời điểm cụ thể trong quy trình, nhờ đó có thể cải tiến và điều chỉnh workflow. Mỗi callback nhận một đối tượng Trainer, Validator hoặc Predictor, tùy theo loại thao tác. Để biết chi tiết về các thuộc tính của những đối tượng này, hãy tham khảo các trang tham khảo BaseTrainer, BaseValidator và BasePredictor.

Để sử dụng callback, hãy định nghĩa một hàm và thêm hàm đó vào model bằng phương thức model.add_callback(). Sau đây là ví dụ về cách trả về thông tin bổ sung trong quá trình prediction:

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 bằng cách chèn logic vào các giai đoạn cụ thể của quá trình huấn luyện. Ultralytics YOLO cung cấp nhiều callback huấn luyện, chẳng hạn như on_train_start, on_train_end và on_train_batch_end, cho phép bạn thêm metric, xử lý hoặc ghi log tùy chỉnh.

Sau đây là cách ghi log learning rate của từng nhóm tham số optimizer vào cuối mỗi epoch huấn luyện:

from ultralytics import YOLO

def log_learning_rates(trainer):
    """Print the current learning rates after each training epoch."""
    print(f"Epoch {trainer.epoch + 1}: {trainer.lr}")

model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_end", log_learning_rates)
model.train(data="coco8.yaml", epochs=3)

Để biết thêm chi tiết về cách sử dụng callback huấn luyện hiệu quả, hãy xem Hướng dẫn huấn luyện.

Sử dụng callback trong quá trình validation với Ultralytics YOLO giúp cải thiện việc đánh giá model bằng cách cho phép xử lý tùy chỉnh, ghi log hoặc tính toán metric. Các callback như on_val_start, on_val_batch_end và on_val_end cung cấp điểm truy cập để chèn logic tùy chỉnh, đảm bảo quy trình validation chi tiết và toàn diện.

Ví dụ: vẽ tất cả 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 tìm hiểu thêm về cách tích hợp callback vào quy trình validation, hãy xem Hướng dẫn validation.

Để gắn callback tùy chỉnh cho chế độ prediction trong Ultralytics YOLO, hãy định nghĩa một hàm callback và đăng ký hàm đó với quy trình prediction. Các callback prediction thường dùng gồm on_predict_start, on_predict_batch_end và on_predict_end. Các callback này cho phép sửa đổi đầu ra prediction và tích hợp thêm chức năng, chẳng hạn như ghi log dữ liệu hoặc chuyển đổi kết quả.

Sau đây là ví dụ về callback tùy chỉnh lưu các kết quả prediction dựa trên việc có hay không có một đối tượng thuộc lớp cụ thể:

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 tìm hiểu cách sử dụng toàn diện hơn, hãy tham khảo Hướng dẫn prediction, bao gồm hướng dẫn chi tiết và các tùy chọn tùy chỉnh bổ sung.

Ultralytics YOLO hỗ trợ nhiều cách triển khai callback thiết thực để cải tiến và tùy chỉnh các giai đoạn khác nhau như huấn luyện, validation và prediction. Một số ví dụ thực tế gồm:

• Ghi log metric tùy chỉnh: Ghi log thêm metric ở các giai đoạn khác nhau, chẳng hạn như cuối các epoch huấn luyện hoặc validation.
• Tăng cường dữ liệu: Triển khai các phép biến đổi hoặc tăng cường dữ liệu tùy chỉnh trong quá trình prediction hoặc trong các batch huấn luyện.
• Kết quả trung gian: Lưu các kết quả trung gian, chẳng hạn như prediction hoặc frame, để phân tích hoặc trực quan hóa thêm.

Ví dụ: Kết hợp frame với kết quả prediction trong quá trình prediction bằng 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 xem thêm tùy chọn và ví dụ.