Callback

في مجال هندسة البرمجيات و**artificial intelligence (AI)**، تعتبر callback عبارة عن قطعة من التعليمات البرمجية القابلة للتنفيذ والتي يتم تمريرها كوسيط إلى تعليمات برمجية أخرى، والتي يُتوقع منها بعد ذلك تنفيذ (استدعاء) الوسيط في وقت معين. في السياق المحدد لأطر عمل deep learning (DL)، تُعد الـ callbacks أدوات أساسية تتيح للمطورين تخصيص سلوك حلقة model training دون تعديل كود التدريب الأساسي نفسه. وهي بمثابة مشغلات تلقائية تؤدي إجراءات محددة في مراحل مختلفة من عملية التدريب، مثل بداية أو نهاية epoch، أو دفعة تدريب، أو جلسة التدريب بأكملها.

دور ردود الاتصال في تعلم الآلة#

يمكن أن يستغرق تدريب neural network معقدة ساعات أو حتى أياماً. بدون الـ callbacks، تكون عملية التدريب في جوهرها "صندوقاً أسود" يعمل حتى اكتماله، وغالباً ما تتطلب إشرافاً يدويّاً. تُدخل الـ callbacks ميزات المراقبة والتحكم، مما يسمح للنظام بالتنظيم الذاتي بناءً على مقاييس الأداء في الوقت الفعلي.

عند استخدام مكتبات عالية المستوى مثل PyTorch أو TensorFlow، توفر الـ callbacks طريقة لحقن المنطق في optimization algorithm. على سبيل المثال، إذا كان النموذج يتعلم بشكل جيد، فقد تقوم الـ callback بحفظ الحالة الحالية؛ وإذا توقف عن التعلم، فقد توقف العملية لتوفير الموارد. هذا يجعل سير عمل machine learning (ML) أكثر كفاءة وقوة.

التطبيقات الشائعة وأمثلة من العالم الحقيقي#

تعتبر الـ callbacks متعددة الاستخدامات ويمكن استخدامها لمجموعة واسعة من المهام أثناء model monitoring والتحسين.

• الإيقاف المبكر: أحد الاستخدامات الأكثر شيوعاً هو early stopping. تراقب هذه الـ callback مقياساً معيناً، مثل فقدان validation data. إذا توقف الفقدان عن الانخفاض لعدد محدد من الحقب (epochs)، فإن الـ callback توقف التدريب. هذا يمنع overfitting، مما يضمن أن النموذج يعمم بشكل جيد على البيانات الجديدة بدلاً من حفظ training data.
• حفظ نقاط تفقد النموذج: في عمليات التدريب الطويلة، يمكن أن تكون أعطال الأجهزة كارثية. تقوم الـ callback الخاصة بتفقد النقاط بحفظ model weights على فترات منتظمة (مثل كل حقبة) أو فقط عندما يحقق النموذج نتيجة "أفضل" جديدة في مقاييس مثل accuracy أو mean average precision (mAP). يضمن هذا أنك تمتلك دائماً نسخة محفوظة من النموذج الأفضل أداءً.
• جدولة معدل التعلم: يتحكم learning rate في مقدار تغير النموذج استجابةً للخطأ المقدر في كل مرة يتم فيها تحديث أوزان النموذج. يمكن للـ callback ضبط هذا المعدل ديناميكياً، وتقليله عندما يستقر التعلم لمساعدة النموذج في التقارب نحو حل أمثل، وهي تقنية غالباً ما يُشار إليها باسم learning rate decay.
• التسجيل والتصور: تُستخدم الـ callbacks بشكل متكرر للتكامل مع أدوات experiment tracking. وهي تقوم ببث المقاييس إلى لوحات المعلومات مثل TensorBoard أو MLflow، مما يسمح لعلماء البيانات بتصور loss functions ورسوم بيانية للأداء في الوقت الفعلي.

تنفيذ ردود الاتصال باستخدام Ultralytics YOLO#

تدعم مكتبة Ultralytics نظاماً قوياً للـ callbacks، مما يسمح للمستخدمين بالاتصال بالأحداث أثناء تدريب نماذج مثل YOLO26. هذا مفيد بشكل خاص للمستخدمين الذين يديرون سير العمل على Ultralytics Platform والذين يحتاجون إلى تسجيل مخصص أو منطق تحكم.

فيما يلي مثال موجز لكيفية تحديد وتسجيل callback مخصصة تطبع رسالة في نهاية كل حقبة تدريب باستخدام Python API:

from ultralytics import YOLO


# Define a custom callback function
def on_train_epoch_end(trainer):
    """Callback function to execute at the end of each training epoch."""
    print(f"Epoch {trainer.epoch + 1} complete. Current Fitness: {trainer.fitness}")


# Load the YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")

# Register the custom callback to the model
model.add_callback("on_train_epoch_end", on_train_epoch_end)

# Train the model with the callback active
model.train(data="coco8.yaml", epochs=3)

ردود الاتصال مقابل الخطافات (Hooks)#

على الرغم من ارتباطهما، فمن المفيد التمييز بين الـ callbacks والـ hooks. في أطر العمل مثل PyTorch، عادةً ما تكون الـ hooks دوال منخفضة المستوى مرفقة بعمليات tensor محددة أو طبقات الشبكة العصبية لفحص أو تعديل التدرجات والمخرجات أثناء المرور الأمامي أو الخلفي. في المقابل، تُعد الـ callbacks عادةً تجريدات أعلى مستوي مرتبطة بأحداث training loop (البداية، النهاية، معالجة الدُفعات) بدلاً من الرسم البياني للحساب الرياضي نفسه.

مزيد من القراءة والموارد#

بالنسبة لأولئك الذين يسعون إلى تعميق فهمهم لكيفية تحسين تدريب سير العمل، فإن استكشاف hyperparameter tuning هو خطوة تالية منطقية. بالإضافة إلى ذلك، فإن فهم مهام computer vision (CV) الأساسية مثل object detection و instance segmentation سيوفّر سياقاً حول سبب ضرورة التحكم الدقيق في التدريب عبر الـ callbacks. بالنسبة للإدارة على مستوى المؤسسات لهذه العمليات، توفر Ultralytics Platform حلولاً متكاملة تؤتمت العديد من هذه السلوكيات المدفوعة بالـ callbacks.