コールバック

機械学習におけるコールバックを理解する

モデルのトレーニング中、様々なイベントが順次発生する。 エポック の開始、バッチの処理、バリデーションの発生、エポックの終了、そしてトレーニングの終了である。コールバックを使用すると、これらのイベントに関連する特定のアクションをトリガーすることができます。例えば、検証精度が向上するたびにモデルの重みを保存したり、メトリクスを次のような可視化ツールにログ出力したりすることができます。 テンソルボードあるいは、モデルの改善が止まったら早期にトレーニングを中止する。次のようなフレームワークがある。 ケラス などのライブラリがある。 ultralytics Python パッケージは、柔軟性と拡張性を提供するためにコールバックを多用している。

Ultralyticsコールバック

Ultralytics トレーニングエンジンは、トレーニング中のさまざまな時点でトリガーされるコールバックシステムを提供します。 トレーニング, バリデーション, 予測そして 輸出 プロセスである。これらのイベントには以下が含まれる。 on_train_start, on_epoch_end, on_fit_epoch_end (検証を含む）、 on_batch_end, on_train_endその他多数。ユーザーはカスタム・コールバックを定義して、詳細なログの記録、通知の送信、次のようなプラットフォームとのやり取りなどのアクションを実行できる。 Ultralytics HUB.

from ultralytics import YOLO
from ultralytics.engine.callbacks import BaseCallback

# Define a simple custom callback

class MyCallback(BaseCallback):
def on_epoch_end(self, trainer): # This code will run at the end of each epoch
print(f"Epoch {trainer.epoch + 1} finished.") # Example: Access metrics like validation loss
if trainer.metrics:
val_loss = trainer.metrics.get('val/loss', None) # Example metric key, adjust as needed
if val_loss is not None:
print(f"Validation loss: {val_loss:.4f}")

# Load a model

model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights

# Initialize your callback

my_callback = MyCallback()

# Add the callback to the training process

# Note: Direct addition via API might vary; often done via configuration or extending Trainer

# For demonstration, assume a mechanism exists like adding to a list or overriding methods.

# In Ultralytics, callbacks are often managed internally or via specific integrations.

# A conceptual example of how one might use it if Trainer exposed callbacks directly:

# trainer.add_callback(my_callback) # Hypothetical method

# Train the model (the callback methods are triggered automatically by the Trainer)

# The actual mechanism involves the Trainer checking for registered callbacks for specific events.

try: # This is a simplified representation. Callbacks are typically integrated deeper. # We can simulate adding callback logic by overriding trainer methods or using signals if available. # The Ultralytics framework automatically handles registered internal and integration callbacks. # To add custom behaviour like this, you might need to modify the source or use provided extension points.
print("Training started (callback logic would be triggered internally)...") # Example: Manually trigger for demonstration if needed for testing callback logic # my_callback.on_epoch_end(trainer_mock_object)
results = model.train(data='coco128.yaml', epochs=3, imgsz=640) # Training triggers internal events
print("Training finished.")

except Exception as e:
print(f"An error occurred: {e}")

# Example of using an existing integration callback (e.g., TensorBoard)

# This is usually enabled via arguments or configuration:

# results = model.train(data='coco128.yaml', epochs=3, imgsz=640, tensorboard=True)




実世界での応用

コールバックは、MLモデル開発において多くの便利な機能を実現します：

• モデルのチェックポイント：モデル（またはその重みのみ）を定期的に、または検証データセットでのパフォーマンスが向上するたびに自動的に保存します。これにより、進捗を失うことなく、最適なバージョンのモデルを取り出すことができます。フレームワークには、このためのコールバックが組み込まれていることが多い。
• 早期停止：特定のメトリック（検証損失や精度など）を監視し、あらかじめ定義されたエポック数（忍耐）の間、メトリックが改善しなくなった場合に学習プロセスを停止する。これにより、オーバーフィッティングを防ぎ、計算リソースを節約することができる。
• 学習率のスケジューリング：学習中に学習率を動的に調整すること。例えば、モデルの改善が頭打ちになったときに学習率を下げることで、より効果的に収束させることができる。
• ロギングと可視化： TensorBoardのような監視ツールや、以下のようなクラウドプラットフォームに、ログとメトリクス（損失や精度など）を送信します。 Weights & Biasesなどのクラウドプラットフォームに送信します。Ultralytics 、W&Bと Comet MLとのシームレスな統合を提供します。
• リソースモニタリング：トレーニング中のハードウェア使用率GPUCPU GPU使用率、メモリ）を追跡し、ボトルネックの特定やリソース割り当ての最適化を行う。

コールバックは、柔軟で自動化された観測可能な機械学習ワークフローを作成するための基本であり、開発者が学習プロセスを効率的に拡張・カスタマイズすることを可能にします。コールバックは一般的なソフトウェアのイベントリスナーとは少し異なり、MLのトレーニングと評価の特定のライフサイクルステージに密接に統合されています。