Rappel

Comment fonctionnent les rappels

Les rappels fonctionnent sur la base d'un système axé sur les événements. Ils sont généralement transmis sous forme de liste à une fonction principale, telle qu'un train à l'intérieur d'une méthode apprentissage machine (ML) Le cadre est conçu pour appeler ces rappels à des moments spécifiques appelés "événements". Le cadre est conçu pour appeler ces rappels à des moments précis, appelés "événements". Les événements les plus courants sont le début ou la fin de l'ensemble du processus de formation, le début ou la fin d'une session de formation, le début ou la fin d'une session de formation, etc. époqueou même avant ou après le traitement d'un seul taille du lot de données. Lorsqu'un événement spécifique se produit, le cadre exécute la ou les fonctions de rappel correspondantes, en transmettant souvent des informations pertinentes sur l'état actuel, comme le numéro de l'époque, fonction de perte ou des mesures de performance - en tant qu'arguments. Cela permet au rappel d'interagir dynamiquement avec le processus en cours et de l'influencer sur la base d'informations en temps réel.

Applications clés et cas d'utilisation

Les rappels sont incroyablement polyvalents et permettent un large éventail de fonctionnalités essentielles au développement efficace de modèles et à la formation :

• Suivi des performances du modèle: Effectue le suivi des métriques comme la perte et la précision sur les données d'entraînement et les données de validation tout au long de l'entraînement. Les résultats peuvent être enregistrés dans la console, sauvegardés dans des fichiers ou visualisés à l'aide d'outils comme TensorBoard.
• Point de contrôle du modèle: Sauvegarde automatiquement et périodiquement les poids du modèle, en ne sauvegardant souvent que la version la plus performante en fonction d'une mesure choisie (par exemple, la précision de la validation ou la perte). Cela permet de s'assurer que le meilleur modèle n'est pas perdu si la formation est interrompue ou si les performances se dégradent par la suite.
• Arrêt précoce: Surveille une mesure de performance (comme la perte de validation) et arrête automatiquement le processus de formation si la mesure cesse de s'améliorer pendant un nombre défini d'époques. Cela permet d'éviter le surajustement et d'économiser des ressources informatiques.
• Ajustements dynamiques: Modifier les paramètres de formation à la volée. Un exemple courant est l'ajustement dynamique du taux d'apprentissage en fonction de la progression de la formation, souvent en le réduisant lorsque les performances plafonnent (programmation du taux d'apprentissage).
• Journalisation et rapports : Envoie les journaux, les mesures et les mises à jour sur la progression de la formation à des systèmes de surveillance externes ou à des plates-formes de suivi des expériences telles que Weights & Biases ou Ultralytics HUB, pour faciliter les pratiques MLOps.
• Gestion des ressources : Implémente une logique personnalisée pour gérer les ressources du système, telles que l'effacement. GPU à des intervalles spécifiques. Tu trouveras d'autres suggestions dans notre guide sur les astuces de formation aux modèles.

Exemples pratiques

1. Sauvegarde le meilleur modèle de détection d'objets : Lors de l'entraînement d'un modèle de détection d'objets Ultralytics YOLO pour la détection d'objets, tu peux utiliser un rappel ModelCheckpoint. Ce rappel surveille la précision moyenne (mAP) sur l'ensemble de données de validation. Elle enregistre les poids du modèle dans un fichier uniquement lorsque le score mAP s'améliore par rapport au meilleur score précédemment enregistré, ce qui te permet de conserver le modèle le plus précis de la session de formation. Compare les performances des différents modèles YOLO sur notre page de comparaison des modèles.
2. Prévenir le surajustement dans la classification des images : Imagine que tu entraînes un modèle de classification d'images sur un ensemble de données complexe comme ImageNet. Un rappel EarlyStopping peut être configuré pour surveiller la perte de validation. Si la perte de validation ne diminue pas pendant, disons, 10 époques consécutives, le callback arrête automatiquement la formation. Cela empêche le modèle de s'adapter de façon excessive aux données de formation et permet d'économiser du temps et des coûts de formation. Explore davantage les tâches de classification d'images.

Avantages de l'utilisation des rappels

L'intégration des rappels dans le flux de travail de l'apprentissage automatique offre plusieurs avantages significatifs :

• Automatisation : Les rappels automatisent les tâches répétitives telles que l'enregistrement des modèles, la consignation des mesures et l'ajustement des paramètres, ce qui réduit le besoin d'intervention manuelle pendant les longues formations.
• Flexibilité et personnalisation : Ils permettent aux développeurs d'insérer une logique personnalisée dans la boucle d'entraînement sans modifier le code de base du framework, ce qui permet d'obtenir des comportements d'entraînement très personnalisés. Ceci est particulièrement utile pour les expériences complexes ou le réglage des hyperparamètres.
• Efficacité : Les rappels tels que l'arrêt anticipé et l'ajustement dynamique du taux d'apprentissage peuvent rendre la formation plus efficace en économisant les ressources de calcul et en accélérant potentiellement la convergence.
• Aperçu et surveillance : Ils fournissent des informations approfondies sur la dynamique de la formation en permettant une journalisation détaillée et une visualisation des métriques au fil du temps.
• Reproductibilité : En normalisant les actions entreprises pendant la formation (par exemple, les critères de sauvegarde, les conditions d'arrêt), les rappels contribuent à des expériences d'apprentissage automatique plus reproductibles.

Des frameworks comme Keras et PyTorch Lightning offrent de vastes collections de rappels intégrés et des interfaces directes pour en créer des personnalisés. Ultralytics exploite également les callbacks en interne dans ses pipelines de formation, ce qui contribue à la robustesse et à la convivialité d'outils tels qu' Ultralytics YOLO11 et la plateforme Ultralytics HUB. La consultation de la documentation d'Ultralytics peut fournir des exemples plus spécifiques liés à la formation de modèles YOLO .