콜백

머신 러닝의 콜백 이해

모델 훈련 중에는 훈련 시작, 훈련 시작, 훈련 종료 등 다양한 이벤트가 순차적으로 발생합니다. epoch 가 시작되고, 배치가 처리되고, 유효성 검사가 수행되고, 에포크가 종료되고, 마지막으로 교육이 종료됩니다. 콜백을 사용하면 이러한 이벤트에 연결된 특정 작업을 트리거할 수 있습니다. 예를 들어, 유효성 검사 정확도가 향상될 때마다 모델의 가중치를 저장하고, 다음과 같은 시각화 도구에 메트릭을 기록할 수 있습니다. 텐서보드로 설정하거나 모델 개선이 멈추면 훈련을 조기에 중단하세요. 다음과 같은 프레임워크 Keras 및 다음과 같은 라이브러리 ultralytics Python 패키지는 유연성과 확장성을 제공하기 위해 콜백을 많이 활용합니다.

Ultralytics 콜백

Ultralytics 교육 엔진은 교육 중 다양한 지점에서 트리거되는 콜백 시스템을 제공합니다. 교육, 유효성 검사, 예측및 내보내기 프로세스. 이러한 이벤트에는 다음이 포함됩니다. on_train_start, on_epoch_end, on_fit_epoch_end (유효성 검사 포함), on_batch_end, on_train_end등 다양한 콜백을 사용할 수 있습니다. 사용자는 사용자 지정 콜백을 정의하여 상세 로깅, 알림 전송 또는 다음과 같은 플랫폼과의 상호 작용과 같은 작업을 수행할 수 있습니다. 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)




실제 애플리케이션

콜백을 사용하면 ML 모델 개발 중에 여러 가지 유용한 기능을 사용할 수 있습니다:

• 모델 체크포인트: 주기적으로 또는 유효성 검사 데이터 세트의 성능이 향상될 때마다 모델(또는 가중치만)을 자동으로 저장합니다. 이렇게 하면 진행 상황을 잃지 않고 최상의 모델 버전을 검색할 수 있습니다. 프레임워크는 종종 이를 위한 기본 콜백을 제공합니다.
• 조기 중지: 특정 지표(예: 유효성 검사 손실 또는 정확도)를 모니터링하고 미리 정의된 기간(인내) 동안 지표가 개선되지 않으면 학습 프로세스를 중지합니다. 이렇게 하면 과적합을 방지하고 계산 리소스를 절약할 수 있습니다.
• 학습 속도 스케줄링: 학습 중 학습 속도를 동적으로 조정하는 기능입니다. 예를 들어, 모델의 개선이 정체될 때 학습 속도를 줄이면 모델이 더 효과적으로 수렴하는 데 도움이 될 수 있습니다.
• 로깅 및 시각화: 로그 및 메트릭(예: 손실 및 정확도)을 TensorBoard와 같은 모니터링 도구 또는 다음과 같은 클라우드 플랫폼으로 전송합니다. Weights & Biases 와 같은 클라우드 플랫폼으로 로그를 전송하여 실시간 시각화 및 실험 추적을 할 수 있습니다. Ultralytics W&B 및 Comet ML을 위한 원활한 통합을 제공합니다.
• 리소스 모니터링: 교육 중 하드웨어 사용률GPUCPU 사용량, 메모리)을 추적하여 병목 현상을 파악하거나 리소스 할당을 최적화하는 것으로, 특히 클라우드 컴퓨팅 환경에서 중요합니다.

콜백은 유연하고 자동화되며 관찰 가능한 머신 러닝 워크플로우를 만드는 데 기본이 되며, 개발자가 트레이닝 프로세스를 효율적으로 확장하고 사용자 지정할 수 있게 해줍니다. 일반적인 소프트웨어 이벤트 리스너와 약간 다른 점은 ML 트레이닝 및 평가의 특정 수명 주기 단계에 긴밀하게 통합되어 있다는 점입니다.