高级定制
Ultralytics YOLO 命令行接口和Python 接口都只是基础引擎执行器的高级抽象。让我们来看看 Trainer 引擎。
观看： 掌握Ultralytics YOLOv8 ：高级定制
基础培训师
BaseTrainer 包含通用的模板培训例程。只要遵循正确的格式，就可以为任何任务定制所需的函数或操作。例如，只需重载这些函数，就能支持自己的自定义模型和数据加载器：
get_model(cfg, weights)- 建立待训练模型的函数get_dataloader()- 构建数据加载器的函数 更多详情和源代码请参见BaseTrainer参考资料
探测训练器
以下是如何使用YOLOv8 DetectionTrainer 并进行定制。
from ultralytics.models.yolo.detect import DetectionTrainer
trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best # get best model
自定义检测训练器
让我们定制培训师 来训练自定义检测模型 的重载。您只需重载现有的 get_model 功能性：
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()
您现在意识到，您需要进一步定制培训师：
- 自定义
loss function. - 添加
callback每隔 10 分钟就会将模型上传到Google Drive。epochs具体方法如下
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 callback
trainer.train()
要了解有关回调触发事件和入口点的更多信息，请查阅我们的《回调指南》。
其他发动机部件
还有其他类似的可定制组件，如 Validators 和 Predictors.有关更多信息，请参见参考资料部分。
常见问题
如何为特定任务定制Ultralytics YOLOv8 DetectionTrainer？
自定义Ultralytics YOLOv8 DetectionTrainer 的方法，你可以重写其方法以适应你的自定义模型和数据加载器。首先从 DetectionTrainer 然后重新定义方法，如 get_model 来实现自定义功能。下面是一个例子：
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 best model
如需进一步定制，如更改 loss function 或添加一个 callback您可以参考我们的 回调指南.
Ultralytics YOLOv8 中 BaseTrainer 的主要组成部分是什么？
"(《世界人权宣言》) BaseTrainer Ultralytics YOLOv8 作为训练例程的基础，可通过覆盖其通用方法为各种任务进行定制。主要组件包括
get_model(cfg, weights)来建立要训练的模型。get_dataloader()来构建数据加载器。
有关定制和源代码的更多详情，请参阅 BaseTrainer 参考资料.
如何为Ultralytics YOLOv8 DetectionTrainer 添加回调？
您可以添加回调，以便在Ultralytics YOLOv8 DetectionTrainer.例如，您可以在每次训练历时后添加一个回调来记录模型权重：
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()
有关回调事件和入口点的更多详情，请参阅我们的《回调指南》。
为什么要使用Ultralytics YOLOv8 进行模型训练？
Ultralytics YOLOv8 为强大的引擎执行器提供了高级抽象，是快速开发和定制的理想选择。主要优势包括
- 易用性：命令行和Python 界面均可简化复杂任务。
- 性能针对实时物体检测和各种视觉人工智能应用进行了优化。
- 自定义：可轻松扩展自定义模型、损失函数和数据加载器。
了解有关YOLOv8 功能的更多信息，请访问 Ultralytics YOLO.
Ultralytics YOLOv8 DetectionTrainer 可以用于非标准模型吗？
是的、Ultralytics YOLOv8 DetectionTrainer 具有高度灵活性，可针对非标准模型进行定制。通过继承自 DetectionTrainer因此，您可以重载不同的方法，以支持特定模型的需求。下面是一个简单的例子：
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()
有关更全面的说明和示例，请查看DetectionTrainer文档。