Richiamo

Come funzionano i callback

I callback operano sulla base di un sistema guidato dagli eventi. In genere vengono passate come un elenco a una funzione principale, come ad esempio una funzione train method within a apprendimento automatico (ML) del framework. Il framework è progettato per richiamare queste callback in momenti specifici, noti come "eventi". Gli eventi più comuni sono l'inizio o la fine dell'intero processo di formazione, l'inizio o la fine di un'attività di formazione. Epocao anche prima o dopo l'elaborazione di un singolo Dimensione del lotto di dati. Quando si verifica un evento specifico, il framework esegue la funzione o le funzioni di callback corrispondenti, spesso trasmettendo informazioni rilevanti sullo stato attuale, come il numero di epoch corrente, funzione di perdita valore, o metriche di performance, come argomenti. In questo modo la callback può interagire dinamicamente con il processo in corso e influenzarlo sulla base di informazioni in tempo reale.

Applicazioni e casi d'uso principali

Le callback sono incredibilmente versatili e permettono di ottenere un'ampia gamma di funzionalità essenziali per lo sviluppo e la formazione di modelli efficaci:

• Monitoraggio delle prestazioni del modello: Tieni traccia di metriche come la perdita e l'accuratezza sui dati di addestramento e sui dati di convalida durante l'addestramento. I risultati possono essere registrati nella console, salvati su file o visualizzati con strumenti come TensorBoard.
• Checkpoint del modello: Salvare automaticamente i pesi del modello periodicamente, spesso salvando solo la versione più performante in base a una metrica scelta (ad esempio, l'accuratezza della convalida o la perdita). In questo modo si evita che il modello migliore vada perso in caso di interruzione dell'addestramento o di un successivo peggioramento delle prestazioni.
• Arresto anticipato: Monitora una metrica delle prestazioni (come la perdita di convalida) e arresta automaticamente il processo di formazione se la metrica smette di migliorare per un numero definito di epoche. In questo modo si evita l'overfitting e si risparmiano risorse computazionali.
• Regolazioni dinamiche: Modificare i parametri di formazione al volo. Un esempio comune è la regolazione dinamica del tasso di apprendimento in base ai progressi della formazione, spesso riducendolo quando le prestazioni raggiungono un livello minimo (programmazione del tasso di apprendimento).
• Registrazione e reportistica: Invia log, metriche e aggiornamenti sui progressi della formazione a sistemi di monitoraggio esterni o a piattaforme di monitoraggio degli esperimenti come Weights & Biases o Ultralytics HUB, per favorire le pratiche MLOps.
• Gestione delle risorse: Implementa una logica personalizzata per gestire le risorse di sistema, come ad esempio l'azzeramento di GPU a intervalli specifici. Trovi altri suggerimenti nella nostra guida sui Suggerimenti per l'addestramento dei modelli.

Esempi nella pratica

1. Salvare il miglior modello di rilevamento degli oggetti: Quando si addestra un modello Ultralytics YOLO Ulralytics YOLO per il rilevamento degli oggetti, potresti utilizzare un callback ModelCheckpoint. Questo callback monitora la precisione media (mAP) sul set di dati di convalida. Salva i pesi del modello in un file solo quando il punteggio mAP migliora rispetto al punteggio migliore salvato in precedenza, assicurandoti di conservare il modello più accurato della sessione di allenamento. Confronta le prestazioni dei diversi modelli YOLO nella nostra pagina di confronto dei modelli.
2. Prevenire l'overfitting nella classificazione delle immagini: Immagina di addestrare un modello per la classificazione delle immagini su un dataset complesso come ImageNet. È possibile configurare un callback EarlyStopping per monitorare la perdita di convalida. Se la perdita di convalida non diminuisce per, ad esempio, 10 epoche consecutive, il callback interrompe automaticamente l'addestramento. In questo modo si evita che il modello si adatti eccessivamente ai dati di addestramento e si risparmiano tempi e costi di addestramento significativi. Esplora ulteriormente le attività di classificazione delle immagini.

Vantaggi dell'uso dei callback

L'integrazione delle callback nel flusso di lavoro dell'apprendimento automatico offre diversi vantaggi significativi:

• Automazione: I callback automatizzano le attività ripetitive come il salvataggio dei modelli, la registrazione delle metriche e la regolazione dei parametri, riducendo la necessità di interventi manuali durante i lunghi cicli di formazione.
• Flessibilità e personalizzazione: Permettono agli sviluppatori di inserire una logica personalizzata nel ciclo di addestramento senza modificare il codice principale del framework, consentendo comportamenti di addestramento altamente personalizzati. Questo è particolarmente utile per esperimenti complessi o per la messa a punto di iperparametri.
• Efficienza: I callback come l'arresto anticipato e la regolazione dinamica del tasso di apprendimento possono rendere l'addestramento più efficiente, risparmiando risorse computazionali e potenzialmente accelerando la convergenza.
• Approfondimento e monitoraggio: Forniscono una visione approfondita delle dinamiche di formazione, consentendo la registrazione dettagliata e la visualizzazione delle metriche nel tempo.
• Riproducibilità: Standardizzando le azioni intraprese durante l'addestramento (ad esempio, i criteri di salvataggio, le condizioni di arresto), le callback contribuiscono a rendere più riproducibili gli esperimenti di apprendimento automatico.

Framework come Keras e PyTorch Lightning offrono ampie raccolte di callback integrati e interfacce semplici per la creazione di callback personalizzati. Ultralytics sfrutta le callback anche internamente alle sue pipeline di formazione, contribuendo alla robustezza e alla facilità d'uso di strumenti come Ultralytics YOLO11 e la piattaforma Ultralytics HUB. Consultando la documentazione di Ultralytics si possono trovare esempi più specifici relativi alla formazione di modelli YOLO .