Callback

Nel campo dell'ingegneria del software e della artificial intelligence (AI), un callback è una porzione di codice eseguibile che viene passata come argomento a un altro codice, il quale si prevede poi di eseguire (richiamare) l'argomento in un dato momento. Nel contesto specifico dei framework di deep learning (DL), i callback sono strumenti essenziali che consentono agli sviluppatori di personalizzare il comportamento del ciclo di model training senza modificare direttamente il codice di addestramento principale. Essi agiscono come trigger automatizzati che eseguono azioni specifiche in varie fasi del processo di addestramento, come l'inizio o la fine di un epoch, di un batch di addestramento o dell'intera sessione di addestramento.

Il ruolo dei callback nel machine learning#

Addestrare una neural network complessa può richiedere ore o persino giorni. Senza i callback, il processo di addestramento è essenzialmente una "scatola nera" che viene eseguita fino al completamento, richiedendo spesso una supervisione manuale. I callback introducono osservabilità e controllo, consentendo al sistema di autoregolarsi in base a metriche di prestazioni in tempo reale.

Quando si utilizzano librerie di alto livello come PyTorch o TensorFlow, i callback offrono un modo per iniettare logica nell'optimization algorithm. Ad esempio, se un modello sta imparando bene, un callback potrebbe salvare lo stato corrente; se smette di imparare, un callback potrebbe interrompere il processo per risparmiare risorse. Ciò rende il flusso di lavoro di machine learning (ML) più efficiente e robusto.

Applicazioni comuni ed esempi reali#

I callback sono versatili e possono essere utilizzati per un'ampia gamma di attività durante il model monitoring e l'ottimizzazione.

• Early Stopping: Uno degli usi più comuni è l'early stopping. Questo callback monitora una metrica specifica, come la perdita sui validation data. Se la perdita smette di diminuire per un numero stabilito di epoche, il callback interrompe l'addestramento. Questo previene l'overfitting, assicurando che il modello si generalizzi bene a nuovi dati anziché memorizzare i training data.
• Model Checkpointing: In sessioni di addestramento lunghe, i guasti hardware possono essere catastrofici. Un callback di checkpointing salva i model weights a intervalli regolari (ad es. ogni epoca) o solo quando il modello ottiene un nuovo punteggio "migliore" su metriche come l'accuracy o la mean average precision (mAP). Ciò garantisce di avere sempre una versione salvata del modello con le migliori prestazioni.
• Learning Rate Scheduling: Il learning rate controlla quanto il modello cambia in risposta all'errore stimato ogni volta che i pesi del modello vengono aggiornati. Un callback può regolare dinamicamente questo tasso, riducendolo quando l'apprendimento si stabilizza per aiutare il modello a convergere verso una soluzione ottimale, una tecnica spesso definita learning rate decay.
• Logging e visualizzazione: I callback vengono frequentemente utilizzati per integrarsi con strumenti di experiment tracking. Inviano metriche in streaming a dashboard come TensorBoard o MLflow, consentendo ai data scientist di visualizzare loss functions e grafici delle prestazioni in tempo reale.

Implementare i callback con Ultralytics YOLO#

La libreria Ultralytics supporta un robusto sistema di callback, consentendo agli utenti di collegarsi agli eventi durante l'addestramento di modelli come YOLO26. Questo è particolarmente utile per gli utenti che gestiscono flussi di lavoro sulla Ultralytics Platform che necessitano di log personalizzati o logica di controllo.

Di seguito è riportato un esempio sintetico di come definire e registrare un callback personalizzato che stampa un messaggio alla fine di ogni epoca di addestramento utilizzando la 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)

Callback vs. Hook#

Sebbene siano correlati, è utile distinguere i callback dagli hooks. In framework come PyTorch, gli hook sono generalmente funzioni di livello inferiore collegate a specifiche operazioni sui tensor o a livelli di reti neurali per ispezionare o modificare gradienti e output durante il pass in avanti o all'indietro. Al contrario, i callback sono tipicamente astrazioni di livello superiore legate agli eventi del training loop (inizio, fine, elaborazione dei batch) piuttosto che al grafo di calcolo matematico stesso.

Ulteriori letture e risorse#

Per chi desidera approfondire la comprensione di come ottimizzare i flussi di lavoro di addestramento, esplorare l'hyperparameter tuning è un passo successivo logico. Inoltre, comprendere le attività sottostanti di computer vision (CV) come l'object detection e l'instance segmentation fornirà il contesto sul perché sia necessario un controllo preciso dell'addestramento tramite i callback. Per la gestione di livello enterprise di questi processi, la Ultralytics Platform offre soluzioni integrate che automatizzano molti di questi comportamenti basati sui callback.