Link to this sectionTùy chỉnh Nâng cao#

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

Link to this sectionBaseTrainer#

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 tuân thủ các định dạng bắt buộc. Ví dụ, tích hợp mô hình và dataloader tùy chỉnh của riêng bạn bằng cách ghi đè các hàm sau:

• get_model(cfg, weights): Xây dựng mô hình sẽ được huấn luyện.
• get_dataloader(): Xây dựng dataloader.

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

Link to this sectionDetectionTrainer#

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

Link to this sectionTùy chỉnh DetectionTrainer#

Để huấn luyện một mô hình 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=None, weights=None, verbose=True):
        """Loads a custom detection model given configuration and weight files."""
        ...

trainer = CustomTrainer(overrides={...})
trainer.train()

Tùy chỉnh thêm trainer bằng cách sửa đổi hàm mất mát hoặc thêm callback để tải mô hình lên Google Drive sau mỗi 10 epoch. Dưới 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=None, weights=None, verbose=True):
        """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 điểm nhập, hãy xem Hướng dẫn Callbacks.

Link to this sectionCác 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.

Link to this sectionSử dụng YOLO với Trainer tùy chỉnh#

Lớp mô hình YOLO cung cấp một trình bao bọc cấp cao cho các lớp Trainer. Bạn có thể tận dụng kiến trúc này để tăng tính linh hoạt trong các quy trình làm việc 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=None, weights=None, verbose=True):
        """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 tùy chỉnh quy trình huấn luyện cơ bản để phù hợp với các yêu cầu cụ thể của bạn.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để tôi tùy chỉnh Ultralytics YOLO DetectionTrainer 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 mô hình 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 triển khai các chức năng tùy chỉnh. Dưới đây là một ví dụ:

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """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.

Link to this sectionCác thành phần chính của BaseTrainer trong Ultralytics YOLO là gì?#

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

• get_model(cfg, weights): Xây dựng mô hình sẽ được huấn luyện.
• get_dataloader(): Xây dựng dataloader.
• preprocess_batch(): Xử lý tiền xử lý batch trước khi truyền tiến mô hình.
• set_model_attributes(): Thiết lập các thuộc tính mô hình dựa trên thông tin tập dữ liệu.
• get_validator(): Trả về một validator để đánh giá mô hình.

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

Link to this sectionLàm cách nào để thêm callback vào Ultralytics YOLO DetectionTrainer?#

Thêm các callback để giám sát và sửa đổi quy trình huấn luyện trong DetectionTrainer. Dưới đây là cách thêm callback để ghi lại trọng số mô hình 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.

Link to this sectionTại sao tôi nên sử dụng Ultralytics YOLO để huấn luyện mô hình?#

Ultralytics YOLO cung cấp một sự trừu tượng cấp cao trên các trình thực thi engine mạnh mẽ, làm cho 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 đơn giản hóa các tác vụ phức tạp.
• Hiệu suất: Được tối ưu hóa cho phát hiện đối tượng thời gian thực và các ứng dụng AI thị giác khác nhau.
• Tùy chỉnh: Dễ dàng mở rộng cho các mô hình, hàm mất mát và dataloader tùy chỉnh.
• 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 Ultralytics YOLO chính.

Link to this sectionTôi có thể sử dụng Ultralytics YOLO DetectionTrainer cho các mô hình phi tiêu chuẩn không?#

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

from ultralytics.models.yolo.detect import DetectionTrainer

class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Loads a custom detection model."""
        ...

trainer = CustomDetectionTrainer(overrides={...})
trainer.train()

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