Tùy chỉnh nâng cao

Cả giao diện dòng lệnh và Python của Ultralytics YOLO đều là các trừu tượng hóa bậc cao được xây dựng trên các trình thực thi engine cơ bản. Hướng dẫn này tập trung vào engine Trainer, giải thích cách tùy chỉnh nó cho các nhu cầu cụ thể của bạn.

BaseTrainer

Lớp BaseTrainer cung cấp một quy trình huấn luyện chung có thể thích ứng cho nhiều tác vụ khác nhau. Tùy chỉnh nó bằng cách ghi đè các hàm hoặc thao tác cụ thể trong khi vẫn tuân thủ các định dạng bắt buộc. Ví dụ, tích hợp model và dataloader tùy chỉnh của riêng bạn bằng cách ghi đè các hàm này:

• get_model(cfg, weights): Xây dựng model cần được huấn luyện.
• get_dataloader(): Xây dựng dataloader.

Để biết thêm chi tiết và mã nguồn, hãy xem Tài liệu tham khảo BaseTrainer.

DetectionTrainer

Dưới đây là cách sử dụng và tùy chỉnh DetectionTrainer của Ultralytics YOLO:

from ultralytics.models.yolo.detect import DetectionTrainer

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

Tùy chỉnh DetectionTrainer

Để huấn luyện một model phát hiện tùy chỉnh không được hỗ trợ trực tiếp, hãy nạp chồng chức năng get_model hiện có:

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()

Tùy chỉnh trainer thêm nữa bằng cách sửa đổi hàm mất mát hoặc thêm callback để tải model lên Google Drive sau mỗi 10 epoch. Đây là một ví dụ:

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 callbacks
trainer.train()

Để biết thêm thông tin về các sự kiện kích hoạt callback và các điểm nhập, hãy xem Hướng dẫn Callbacks.

Các thành phần Engine khác

Tùy chỉnh các thành phần khác như Validators và Predictors theo cách tương tự. Để biết thêm thông tin, hãy tham khảo tài liệu về Validators và Predictors.

Sử dụng YOLO với các Trainer tùy chỉnh

Lớp model YOLO cung cấp một trình bao bọc bậc cao cho các lớp Trainer. Bạn có thể tận dụng kiến trúc này để có sự linh hoạt hơn trong các quy trình học máy của mình:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

# Create a custom trainer
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """Custom code implementation."""
        ...

# Initialize YOLO model
model = YOLO("yolo26n.pt")

# Train with custom trainer
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

Cách tiếp cận này cho phép bạn duy trì sự đơn giản của giao diện YOLO trong khi vẫn tùy chỉnh quy trình huấn luyện cơ bản để phù hợp với các yêu cầu cụ thể của bạn.

Câu hỏi thường gặp (FAQ)

Làm thế nào để tôi tùy chỉnh DetectionTrainer của Ultralytics YOLO cho các tác vụ cụ thể?

Tùy chỉnh DetectionTrainer cho các tác vụ cụ thể bằng cách ghi đè các phương thức của nó để thích ứng với model và dataloader tùy chỉnh của bạn. Bắt đầu bằng cách kế thừa từ DetectionTrainer và định nghĩa lại các phương thức như get_model để thực hiện các chức năng tùy chỉnh. Đây là một ví dụ:

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 the best model

Để tùy chỉnh thêm, chẳng hạn như thay đổi hàm mất mát hoặc thêm callback, hãy tham khảo Hướng dẫn Callbacks.

Các thành phần chính của BaseTrainer trong Ultralytics YOLO là gì?

Lớp BaseTrainer đóng vai trò là nền tảng cho các quy trình huấn luyện, có thể tùy chỉnh cho nhiều tác vụ bằng cách ghi đè các phương thức chung của nó. Các thành phần chính bao gồm:

• get_model(cfg, weights): Xây dựng model cần được huấn luyện.
• get_dataloader(): Xây dựng dataloader.
• preprocess_batch(): Xử lý tiền xử lý batch trước khi thực hiện truyền xuôi (forward pass) qua model.
• set_model_attributes(): Thiết lập các thuộc tính của model dựa trên thông tin tập dữ liệu.
• get_validator(): Trả về một validator để đánh giá model.

Để biết thêm chi tiết về tùy chỉnh và mã nguồn, hãy xem Tài liệu tham khảo BaseTrainer.

Làm thế nào để tôi thêm callback vào DetectionTrainer của Ultralytics YOLO?

Thêm các callback để giám sát và sửa đổi quy trình huấn luyện trong DetectionTrainer. Dưới đây là cách thêm một callback để ghi log trọng số model sau mỗi epoch huấn luyện:

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()

Để biết thêm chi tiết về các sự kiện callback và điểm nhập, hãy tham khảo Hướng dẫn Callbacks.

Tại sao tôi nên sử dụng Ultralytics YOLO để huấn luyện model?

Ultralytics YOLO cung cấp sự trừu tượng hóa bậc cao trên các trình thực thi engine mạnh mẽ, giúp nó trở nên lý tưởng cho việc phát triển và tùy chỉnh nhanh chóng. Các lợi ích chính bao gồm:

• Dễ sử dụng: Cả giao diện dòng lệnh và Python đều giúp đơn giản hóa các tác vụ phức tạp.
• Hiệu suất: Được tối ưu hóa cho phát hiện đối tượng theo thời gian thực và nhiều ứng dụng AI thị giác khác nhau.
• Tùy chỉnh: Dễ dàng mở rộng cho các model tùy chỉnh, hàm mất mát và dataloader.
• Tính mô-đun: Các thành phần có thể được sửa đổi độc lập mà không ảnh hưởng đến toàn bộ pipeline.
• Tích hợp: Hoạt động liền mạch với các framework và công cụ phổ biến trong hệ sinh thái ML.

Tìm hiểu thêm về các khả năng của YOLO bằng cách khám phá trang chủ Ultralytics YOLO.

Tôi có thể sử dụng DetectionTrainer của Ultralytics YOLO cho các model không tiêu chuẩn không?

Có, DetectionTrainer cực kỳ linh hoạt và có thể tùy chỉnh cho các model không tiêu chuẩn. Kế thừa từ DetectionTrainer và nạp chồng các phương thức để hỗ trợ các nhu cầu cụ thể của model bạn. Đây là một ví dụ đơn giản:

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()

Để có hướng dẫn và ví dụ toàn diện, hãy xem lại Tài liệu tham khảo DetectionTrainer.