Callback

ソフトウェアエンジニアリングと 人工知能 (AI) の領域において、コールバック (callback) とは、他のコードに引数として渡され、指定されたタイミングでその引数を実行（コールバック）することが期待される実行可能なコードの一部を指します。 ディープラーニング (DL) フレームワークの特定のコンテキストにおいて、コールバックは、コアとなるトレーニングコード自体を変更することなく、モデルトレーニング ループの動作を開発者がカスタマイズできるようにする不可欠なツールです。これらは、 エポック の開始時や終了時、トレーニングバッチ、またはトレーニングセッション全体など、トレーニングプロセスのさまざまな段階で特定のアクションを実行する自動トリガーとして機能します。

機械学習におけるcallbackの役割#

複雑な ニューラルネットワーク のトレーニングには、何時間あるいは何日もかかることがあります。コールバックがない場合、トレーニングプロセスは基本的に完了まで実行される「ブラックボックス」であり、多くの場合、手動での監視が必要になります。コールバックは、可観測性と制御性を導入し、システムがリアルタイムのパフォーマンス指標に基づいて自己調整できるようにします。

When using high-level libraries like PyTorch or TensorFlow, callbacks provide a way to inject logic into the optimization algorithm. For instance, if a model is learning well, a callback might save the current state; if it stops learning, a callback might halt the process to save resources. This makes the machine learning (ML) workflow more efficient and robust.

一般的な用途と現実の例#

コールバックは汎用性が高く、 モデルモニタリング および最適化における幅広いタスクに使用できます。

• 早期終了 (Early Stopping): 最も一般的な用途の1つは 早期終了 です。このコールバックは、 検証データ の損失などの特定のメトリックを監視します。損失が設定されたエポック数の間減少しなくなった場合、コールバックはトレーニングを停止します。これにより、 過学習 (overfitting) が防止され、モデルが トレーニングデータ を暗記するのではなく、新しいデータに対してうまく汎化できるようになります。
• モデルチェックポイント: 長時間のトレーニング実行では、ハードウェア障害が致命的になる可能性があります。チェックポイント作成用のコールバックは、定期的な間隔（例：エポックごと）、または 精度 (accuracy) や 平均適合率 (mAP) などのメトリックでモデルが新しい「最高」スコアを達成した場合にのみ、 モデルの重み (model weights) を保存します。これにより、最もパフォーマンスの高いモデルの保存バージョンを常に確保できます。
• 学習率スケジューリング: 学習率 は、モデルの重みが更新されるたびに、推定されたエラーに応じてモデルがどの程度変化するかを制御します。コールバックはこの学習率を動的に調整し、学習が停滞したときにそれを減少させてモデルが最適解に収束するのを助けます。このテクニックは、 学習率減衰 と呼ばれることがよくあります。
• Logging and Visualization: Callbacks are frequently used to integrate with experiment tracking tools. They stream metrics to dashboards like TensorBoard or MLflow, allowing data scientists to visualize loss functions and performance graphs in real-time.

Ultralytics YOLOでのcallbackの実装#

Ultralytics ライブラリは堅牢なコールバックシステムをサポートしており、ユーザーは YOLO26 などのモデルのトレーニング中のイベントにフックすることができます。これは、カスタムロギングや制御ロジックを必要とする Ultralytics プラットフォーム 上でワークフローを管理するユーザーにとって特に便利です。

以下は、 Python API を使用して、すべてのトレーニングエポックの終わりにメッセージを出力するカスタムコールバックを定義して登録する方法の簡潔な例です。

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とフックの違い#

関連はあるものの、コールバックを フック (hooks) から区別すると便利です。PyTorch などのフレームワークでは、フックは通常、フォワードパスやバックワードパス中に勾配や出力を検査または変更するために、特定の テンソル 操作やニューラルネットワーク層にアタッチされる下位レベルの関数です。対照的に、コールバックは、数学的な計算グラフ自体ではなく、 トレーニングループ のイベント（開始、終了、バッチ処理）に結び付けられた、通常はより高レベルの抽象化です。

詳細な読み物とリソース#

トレーニングワークフローを最適化する方法についての理解を深めたい人にとって、 ハイパーパラメータチューニング の探索は論理的な次のステップです。さらに、 物体検出 や インスタンスセグメンテーション などの基礎となる コンピュータビジョン (CV) タスクを理解することで、コールバックによる正確なトレーニング制御が必要な理由の背景が提供されます。これらのプロセスのエンタープライズグレードの管理のために、 Ultralytics プラットフォーム は、これらのコールバック駆動型動作の多くを自動化する統合ソリューションを提供します。