跳转至内容

回调函数

Ultralytics 框架支持回调函数，这些回调函数在训练过程的关键阶段作为入口点。 train, val, export和 predict 模式。每个回调都接受一个 Trainer, Validator或 Predictor 对象，具体取决于操作类型。这些对象的所有属性都在 参考章节 文档的。



观看： 如何使用 Ultralytics Callbacks | 预测、训练、验证和导出 Callbacks | Ultralytics YOLO🚀

实例

返回带有预测的附加信息

在此示例中，我们将演示如何返回原始帧以及每个结果对象：

from ultralytics import YOLO


def on_predict_batch_end(predictor):
    """Combine prediction results with corresponding frames."""
    _, image, _, _ = predictor.batch

    # Ensure that image is a list
    image = image if isinstance(image, list) else [image]

    # Combine the prediction results with the corresponding frames
    predictor.results = zip(predictor.results, image)


# Create a YOLO model instance
model = YOLO("yolo11n.pt")

# Add the custom callback to the model
model.add_callback("on_predict_batch_end", on_predict_batch_end)

# Iterate through the results and frames
for result, frame in model.predict():  # or model.track()
    pass

使用以下方式访问模型指标 on_model_save 回调函数

此示例展示了如何在保存检查点后检索训练详细信息，例如 best_fitness 分数、total_loss 和其他指标，使用 on_model_save 回调函数。

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")


def print_checkpoint_metrics(trainer):
    """Print trainer metrics and loss details after each checkpoint is saved."""
    print(
        f"Model details\n"
        f"Best fitness: {trainer.best_fitness}, "
        f"Loss names: {trainer.loss_names}, "  # List of loss names
        f"Metrics: {trainer.metrics}, "
        f"Total loss: {trainer.tloss}"  # Total loss value
    )


if __name__ == "__main__":
    # Add on_model_save callback.
    model.add_callback("on_model_save", print_checkpoint_metrics)

    # Run model training on custom dataset.
    results = model.train(data="coco8.yaml", epochs=3)

所有回调

以下是所有支持的回调。有关更多详细信息，请参阅回调源代码。

培训师回电

回调函数 描述
on_pretrain_routine_start 在预训练程序开始时触发。
on_pretrain_routine_end 在预训练程序结束时触发。
on_train_start 在训练开始时触发。
on_train_epoch_start 在每个训练 epoch 开始时触发。
on_train_batch_start 在每个训练批次开始时触发。
optimizer_step 在优化器步骤中触发。
on_before_zero_grad 在梯度归零之前触发。
on_train_batch_end 在每个训练批次结束时触发。
on_train_epoch_end 在每个训练 epoch 结束时触发。
on_fit_epoch_end 在每个拟合 epoch 结束时触发。
on_model_save 在模型保存时触发。
on_train_end 在训练过程结束时触发。
on_params_update 在模型参数更新时触发。
teardown 在清理训练过程时触发。

验证器回调

回调函数 描述
on_val_start 在验证开始时触发。
on_val_batch_start 在每个验证批次开始时触发。
on_val_batch_end 在每个验证批次结束时触发。
on_val_end 在验证结束时触发。

预测器回调

回调函数 描述
on_predict_start 在预测过程开始时触发。
on_predict_batch_start 在每个预测批次开始时触发。
on_predict_postprocess_end 在预测后处理结束时触发。
on_predict_batch_end 在每个预测批次结束时触发。
on_predict_end 在预测过程结束时触发。

出口回调

回调函数 描述
on_export_start 在导出过程开始时触发。
on_export_end 在导出过程结束时触发。

常见问题

什么是Ultralytics 回调，如何使用？

Ultralytics 回调是专门的切入点，在模型运行的关键阶段（如训练、验证、导出和预测）期间触发。这些回调在过程的特定点启用自定义功能，允许对 Trainer, Validator或 Predictor 对象，具体取决于操作类型。有关这些对象的详细属性，请参阅 参考章节.

要使用回调，请定义一个函数并使用以下代码将其添加到模型中 model.add_callback() 方法。以下是一个在预测期间返回附加信息的示例：

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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

如何使用回调自定义 Ultralytics 训练流程？

通过在训练过程的特定阶段注入逻辑来自定义您的 Ultralytics 训练程序。Ultralytics YOLO 提供了各种训练回调，例如 on_train_start, on_train_end和 on_train_batch_end，允许您添加自定义指标、处理或日志记录。

以下是如何在使用回调冻结层时冻结 BatchNorm 统计信息：

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("yolo11n.pt")
model.add_callback("on_train_epoch_start", put_in_eval_mode)
model.train(data="coco.yaml", epochs=10)

有关有效使用训练回调的更多详细信息，请参见训练指南。

为什么在 Ultralytics YOLO 的验证过程中应该使用回调函数？

在 Ultralytics YOLO 验证期间使用回调可以通过启用自定义处理、日志记录或指标计算来增强模型评估。诸如的回调 on_val_start, on_val_batch_end和 on_val_end 之类的回调提供了注入自定义逻辑的入口点，从而确保详细而全面的验证过程。

例如，要绘制所有验证批次，而不仅仅是前三个：

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("yolo11n.pt")
model.add_callback("on_val_batch_end", plot_samples)
model.val(data="coco.yaml")

有关将回调合并到验证过程中的更多见解，请参阅验证指南。

如何在 Ultralytics YOLO 的预测模式中附加自定义回调函数？

要在 Ultralytics YOLO 的预测模式中附加自定义回调，请定义一个回调函数并将其注册到预测过程中。常见的预测回调包括 on_predict_start, on_predict_batch_end和 on_predict_end。这些允许修改预测输出，并集成附加功能，如数据记录或结果转换。

以下示例展示了如何根据特定类别的对象是否存在，使用自定义回调来保存预测结果：

from ultralytics import YOLO

model = YOLO("yolo11n.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 = model("pedestrians.mp4", stream=True, save=True)

for results in results:
    pass

如需更全面的使用方法，请参阅预测指南，其中包含详细的说明和其他自定义选项。

在 Ultralytics YOLO 中使用回调函数有哪些实际例子？

Ultralytics YOLO 支持各种回调的实际应用，以增强和自定义不同的阶段，如训练、验证和预测。一些实际的例子包括：

  • 记录自定义指标: 记录不同阶段的附加指标，例如在训练或验证周期结束时。
  • 数据增强：在预测或训练批次期间实施自定义数据转换或增强。
  • 中间结果: 保存中间结果（例如预测或帧）以供进一步分析或可视化。

示例：在使用期间，将帧与预测结果相结合 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("yolo11n.pt")
model.add_callback("on_predict_batch_end", on_predict_batch_end)
for result, frame in model.predict():
    pass

浏览回调源代码，了解更多选项和示例。



📅 创建于 1 年前 ✏️ 更新于 3 个月前
glenn-jocher RizwanMunawar Y-T-G UltralyticsAssistant

评论