コールバック

コールバックの仕組み

を訓練する。 ニューラルネットワークこのプロセスでは データセット を複数回エポックする。学習ループがこのプロセスを管理する。 損失関数を更新する。 モデルウェイト を通して バックプロパゲーション.コールバックは、特定のイベントでこのループにフックする。例えば on_epoch_end コールバックは、各エポック終了後に正確にコードを実行する。これにより、例えば 学習率最適なモデルを保存したり、パフォーマンスが停滞した場合にトレーニングを早期に停止したりすることができる。この自動化は、よく構造化された 機械学習ワークフロー.

実践例

コールバックは、トレーニングの成果を向上させるために、様々なコンピュータビジョン（CV）タスクで広く使用されている。

1. 最適な物体検出モデルの保存 物体検出のためにUltralytics YOLOモデルをトレーニングする場合、ModelCheckpointコールバックを使用することがあります。このコールバックは、検証データセットの 平均平均精度（mAP）を監視します。mAP スコアが以前に保存したベスト スコアと比較して向上した場合にのみ、モデルの重みをファイルに保存し、最も正確なモデルを確実に保持します。モデルの比較ページで、さまざまなモデルのパフォーマンスを見ることができます。
2. 画像分類におけるオーバーフィッティングの防止： ImageNetのような複雑なデータセットで画像分類モデルを学習することを想像してみてください。EarlyStoppingコールバックを設定して、検証損失を監視することができます。設定したエポック数の間、検証損失が減少しない場合、コールバックは自動的に学習を停止します。これにより、モデルが学習データにオーバーフィットするのを防ぎ、学習時間と計算コストを大幅に削減します。画像分類タスクとその実装方法についてはこちらをご覧ください。

コールバックとその他のコンセプト

コールバックを関連用語と区別することは役に立つ：

• 関数です：コールバックは関数の一種ですが、その特徴は他の関数（トレーニングループ）に引数として渡され、特定の時間にその関数によって内部的に呼び出されることです。標準的な関数は通常、プログラマーによって直接呼び出されます。
• フック：ソフトウェア・エンジニアリングでは、フックとは、カスタム・ロジックを挿入するためのコード内の場所を指す、より一般的な用語である。機械学習フレームワークにおけるコールバックは、フックの概念を具体的に実装したもので、モデルの学習ライフサイクルのイベントに合わせて調整される。
• ハイパーパラメータのチューニング：これはモデルの最適なハイパーパラメータ（学習率やバッチサイズなど）を見つけるプロセスである。コールバックは、例えば学習率スケジューラを実装することで、ハイパーパラメータのチューニングを 支援することができますが、チューニングプロセスそのものではありません。チューニング・プロセスは、より高度な探索または最適化手順である。

コールバックを使用する利点

コールバックをトレーニングプロセスに組み込むことで、いくつかの大きな利点が得られる：

• 自動化：コールバックは、モデルの保存、TensorBoardのようなツールによるメトリクスの記録、パラメータの調整などの反復タスクを自動化し、長時間のトレーニング実行中に手動で介入する必要性を減らします。
• 柔軟性とカスタマイズ：開発者はコアフレームワークのコードを変更することなく、トレーニングループにカスタムロジックを挿入することができます。これは、複雑な実験や高度なトレーニングテクニックの実装に特に役立ちます。
• 効率性：早期停止や動的学習率調整のようなコールバックは、計算リソースを節約し、モデルの収束を早める可能性があるため、トレーニングをより効率的に行うことができる。
• 洞察とモニタリング：詳細なロギングと時間経過に伴うメトリクスの視覚化を可能にすることで、トレーニングダイナミクスに対する深い洞察を提供します。
• 再現性：トレーニング中に行われるアクション（保存基準や停止条件など）を標準化することで、コールバックはより再現性の高い機械学習実験に貢献する。

Kerasや PyTorch Lightningのようなフレームワークは、組み込みコールバックの広範なコレクションと、カスタムコールバックを作成するための簡単なインターフェースを提供しています。また、Ultralyticsはトレーニングパイプラインの内部でコールバックを活用しており、Ultralytics YOLO11や Ultralytics HUBプラットフォームのようなツールの堅牢性と使いやすさに貢献しています。Ultralyticsのドキュメントを参照すると、YOLOモデルのトレーニングに関するより具体的な例を見ることができます。