Callback

En el ámbito de la ingeniería de software y la inteligencia artificial (IA), un callback es un fragmento de código ejecutable que se pasa como argumento a otro código, el cual espera ejecutar (llamar de vuelta) dicho argumento en un momento determinado. En el contexto específico de los frameworks de deep learning (DL), los callbacks son herramientas esenciales que permiten a los desarrolladores personalizar el comportamiento del bucle de entrenamiento del modelo sin modificar el código principal de entrenamiento. Actúan como disparadores automatizados que realizan acciones específicas en diversas etapas del proceso de entrenamiento, como al inicio o al final de una época, un lote de entrenamiento o toda la sesión de entrenamiento.

Link to this sectionEl papel de los callbacks en machine learning#

Entrenar una red neuronal compleja puede llevar horas o incluso días. Sin callbacks, el proceso de entrenamiento es esencialmente una "caja negra" que se ejecuta hasta finalizar, lo que a menudo requiere supervisión manual. Los callbacks introducen observabilidad y control, permitiendo que el sistema se autorregule en función de las métricas de rendimiento en tiempo real.

Al utilizar bibliotecas de alto nivel como PyTorch o TensorFlow, los callbacks proporcionan una forma de inyectar lógica en el algoritmo de optimización. Por ejemplo, si un modelo está aprendiendo bien, un callback podría guardar el estado actual; si deja de aprender, un callback podría detener el proceso para ahorrar recursos. Esto hace que el flujo de trabajo de machine learning (ML) sea más eficiente y robusto.

Link to this sectionAplicaciones comunes y ejemplos del mundo real#

Los callbacks son versátiles y pueden utilizarse para una amplia gama de tareas durante el monitoreo de modelos y la optimización.

• Early Stopping: Uno de los usos más comunes es el early stopping (parada temprana). Este callback supervisa una métrica específica, como la pérdida de los datos de validación. Si la pérdida deja de disminuir durante un número determinado de épocas, el callback detiene el entrenamiento. Esto evita el sobreajuste, asegurando que el modelo se generalice bien a nuevos datos en lugar de memorizar los datos de entrenamiento.
• Checkpointing del modelo: En ejecuciones de entrenamiento largas, los fallos de hardware pueden ser catastróficos. Un callback de checkpointing guarda los pesos del modelo a intervalos regulares (por ejemplo, cada época) o solo cuando el modelo logra una nueva puntuación "mejor" en métricas como la precisión o la precisión media promedio (mAP). Esto garantiza que siempre tengas una versión guardada del modelo con mejor rendimiento.
• Programación de la tasa de aprendizaje: La tasa de aprendizaje controla cuánto cambia el modelo en respuesta al error estimado cada vez que se actualizan los pesos del modelo. Un callback puede ajustar dinámicamente esta tasa, reduciéndola cuando el aprendizaje se estanca para ayudar al modelo a converger en una solución óptima, una técnica a menudo denominada decaimiento de la tasa de aprendizaje.
• Registro y visualización: Los callbacks se utilizan frecuentemente para integrarse con herramientas de seguimiento de experimentos. Transmiten métricas a paneles como TensorBoard o MLflow, lo que permite a los científicos de datos visualizar funciones de pérdida y gráficos de rendimiento en tiempo real.

Link to this sectionImplementación de callbacks con Ultralytics YOLO#

The Ultralytics library supports a robust callback system, allowing users to hook into events during the training of models like YOLO26. This is particularly useful for users managing workflows on the Ultralytics Platform who need custom logging or control logic.

A continuación, se muestra un ejemplo conciso de cómo definir y registrar un callback personalizado que imprime un mensaje al final de cada época de entrenamiento utilizando la API de Python:

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)

Link to this sectionCallbacks frente a hooks#

While related, it is helpful to distinguish callbacks from hooks. In frameworks like PyTorch, hooks are generally lower-level functions attached to specific tensor operations or neural network layers to inspect or modify gradients and outputs during the forward or backward pass. In contrast, callbacks are typically higher-level abstractions tied to the training loop events (start, end, batch processing) rather than the mathematical computation graph itself.

Link to this sectionLecturas adicionales y recursos#

Para aquellos que buscan profundizar su comprensión sobre cómo optimizar los flujos de trabajo de entrenamiento, explorar el ajuste de hiperparámetros es un paso lógico a seguir. Además, comprender las tareas subyacentes de visión artificial (CV), como la detección de objetos y la segmentación de instancias, proporcionará contexto sobre por qué es necesario un control de entrenamiento preciso mediante callbacks. Para la gestión de nivel empresarial de estos procesos, la Ultralytics Platform ofrece soluciones integradas que automatizan muchos de estos comportamientos impulsados por callbacks.