回调

了解机器学习中的回调

在模型训练过程中，各种事件会依次发生：训练开始，一个"...... 纪元 开始、批次处理、验证发生、历时结束，最后训练结束。通过回调，您可以触发与这些事件相关的特定操作。例如，每当验证准确性提高时，您可能希望保存模型的权重，将指标记录到可视化工具，如 张量板或在模型停止改进时提前停止训练。框架，如 Keras 和图书馆，如 ultralytics Python 软件包大量使用回调来提供灵活性和可扩展性。

Ultralytics中的回调

Ultralytics 训练引擎提供了一个回调系统，在训练过程中的不同阶段触发回调。 培训, 核实, 预报和 出口 进程。这些事件包括 on_train_start, on_epoch_end, on_fit_epoch_end (包括验证）、 on_batch_end, on_train_end等等。用户可以定义自定义回调，以执行详细日志记录、发送通知或与以下平台交互等操作 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)




实际应用

在 ML 模型开发过程中，回调可以实现许多有用的功能：

• 模型检查点：定期或每当验证数据集的性能有所改善时，自动保存模型（或只保存权重）。这样可以确保不会丢失进度，并能检索到模型的最佳版本。框架通常会为此提供内置回调。
• 早期停止：监测特定指标（如验证损失或准确率），如果指标在预定数量的历时（耐心）内不再改善，则停止训练过程。这可以防止过度拟合并节省计算资源。
• 学习率调度：在训练过程中动态调整学习率。例如，当模型的改进趋于平稳时，降低学习率可以帮助模型更有效地收敛。
• 日志和可视化：将日志和指标（如损耗和准确性）发送至TensorBoard等监控工具或云平台，如 Weights & Biases等云平台，实现实时可视化和实验跟踪。Ultralytics 为W&B和Comet ML 提供无缝集成。
• 资源监控：在训练过程中跟踪硬件利用率GPUCPU 使用率、内存），以识别瓶颈或优化资源分配，这在云计算环境中尤为重要。

回调是创建灵活、自动化和可观察的机器学习工作流的基础，允许开发人员高效地扩展和定制训练流程。它们与一般的软件事件监听器略有不同，因为它们被紧密集成到了机器学习训练和评估的特定生命周期阶段中。