Ultralytics YOLO27：
Get Started

高级自定义#

Ultralytics YOLO 的命令行和 Python 接口都是基于底层引擎执行器构建的高级抽象。本指南将重点介绍 Trainer 引擎，并说明如何根据具体需求对其进行自定义。



观看： 精通 Ultralytics YOLO：高级自定义
提示

有关常见训练器自定义的实用示例——自定义指标、类别加权损失、模型保存、冻结骨干网络以及逐层学习率——请参阅自定义训练器指南。

BaseTrainer#

BaseTrainer 类提供通用训练流程，可适配各种任务。你可以在遵循所需格式的前提下，重写特定函数或操作来自定义它。例如，重写以下函数即可集成自己的自定义模型和数据加载器：

  • get_model(cfg, weights)：构建待训练的模型。
  • get_dataloader(dataset_path, batch_size, rank, mode)：构建数据加载器。

如需了解更多详情和源代码，请参阅 BaseTrainer 参考文档。

DetectionTrainer#

以下介绍如何使用和自定义 Ultralytics YOLO DetectionTrainer：

from ultralytics.models.yolo.detect import DetectionTrainer

trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # 获取最佳模型

自定义 DetectionTrainer#

要训练尚未直接支持的自定义检测模型，请重载现有的 get_model 功能：

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()

你还可以进一步自定义训练器，例如修改损失函数，或添加一个在每个轮次结束时运行的回调，以记录或上传最新权重。示例如下：

from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel

class MyCustomModel(DetectionModel):
    def init_criterion(self):
        """Initializes a custom loss function for the model."""

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(...)

# 用于记录模型权重的回调
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)  # 添加到现有回调中
trainer.train()

如需了解更多有关回调触发事件和入口点的信息，请参阅回调指南。

其他引擎组件#

你可以用类似的方法自定义其他组件，例如 Validators 和 Predictors。如需了解更多信息，请参阅验证器和预测器文档。

将 YOLO 与自定义训练器配合使用#

YOLO 模型类为训练器类提供了高级封装。你可以利用这一架构，让机器学习工作流更加灵活：

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

# 创建自定义训练器
class MyCustomTrainer(DetectionTrainer):
    def get_model(self, cfg=None, weights=None, verbose=True):
        """Custom code implementation."""

# 初始化 YOLO 模型
model = YOLO("yolo26n.pt")

# 使用自定义训练器进行训练
results = model.train(trainer=MyCustomTrainer, data="coco8.yaml", epochs=3)

这种方法让你既能保留 YOLO 接口的简洁性，又能自定义底层训练过程，以满足具体需求。

常见问题#

  • 要针对特定任务自定义 DetectionTrainer，可以重写它的方法，使其适配你的自定义模型和数据加载器。首先继承 DetectionTrainer，然后重新定义 get_model 等方法，以实现自定义功能。示例如下：

    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  # 获取最佳模型

    如需进一步自定义，例如更改损失函数或添加回调，请参阅回调指南。

  • BaseTrainer 是训练流程的基础，可通过重写其通用方法来适配各种任务。关键组件包括：

    • get_model(cfg, weights)：构建待训练的模型。
    • get_dataloader(dataset_path, batch_size, rank, mode)：构建数据加载器。
    • preprocess_batch()：在模型前向传播之前处理批次预处理。
    • set_model_attributes()：根据数据集信息设置模型属性。
    • get_validator()：返回用于模型评估的验证器。

    如需了解更多有关自定义和源代码的信息，请参阅 BaseTrainer 参考文档。

  • 在 DetectionTrainer 中添加回调，以监控并修改训练过程。以下介绍如何添加回调，在每个训练轮次后记录模型权重：

    from ultralytics.models.yolo.detect import DetectionTrainer

# 用于记录模型权重的回调
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)  # 添加到现有回调中
trainer.train()

    如需详细了解回调事件和入口点，请参阅回调指南。

  • Ultralytics YOLO 为强大的引擎执行器提供高级抽象，非常适合快速开发和自定义。主要优势包括：

    • 易于使用：命令行和 Python 接口都能简化复杂任务。
    • 性能：针对实时目标检测和各种视觉 AI 应用进行了优化。
    • 可自定义：可轻松扩展以支持自定义模型、损失函数和数据加载器。
    • 模块化：可以独立修改各个组件，而不会影响整个流程。
    • 集成：可与 ML 生态系统中的主流框架和工具无缝协作。

    探索主要的 Ultralytics YOLO 页面，进一步了解 YOLO 的功能。

  • 可以，DetectionTrainer 非常灵活，可针对非标准模型进行自定义。继承 DetectionTrainer 并重载方法，以满足特定模型的需求。以下是一个简单示例：

    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()

    如需完整的操作说明和示例，请参阅 DetectionTrainer 参考文档。

贡献者
GLglenn-jocher14RAraimbekovm2RIRizwanMunawar2

评论