コールバック

機械学習では、コールバックは、モデルのトレーニングプロセス中の特定の時点で実行される自動化されたスクリプトまたは関数です。これを、エポック、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の開始時または終了時など、事前定義された段階でトレーニングフレームワークが従う一連の指示と考えてください。コールバックは、モデルまたはトレーニングループのコアコードを変更することなく、トレーニングのさまざまな側面を監視、制御、および自動化するための強力なメカニズムを開発者に提供します。これらは、効率的で堅牢な機械学習（ML）パイプラインを構築するための不可欠なツールです。

コールバックの仕組み

学習させる場合 ニューラルネットワーク（NN）、このプロセスでは、 データセット 複数エポックにわたって行われます。トレーニングループは、モデルへのデータの供給、損失の計算など、このプロセスを管理します。 損失関数、および更新 モデルの重み スルー バックプロパゲーション。コールバックは、特定のイベントでこのループにフックします。例えば、 on_epoch_end callbackは、各エポックが完了した直後にコードを正確に実行します。これにより、調整などの動的な介入が可能になります。 学習率、モデルの最良バージョンを保存したり、性能が停滞した場合にトレーニングを早期に停止したりします。この自動化は、適切に構成された 機械学習ワークフロー.

実践事例

コールバックは、トレーニング結果を改善するために、さまざまなコンピュータビジョン（CV）タスクで広く使用されています。

1. 最適な物体検出モデルの保存： Ultralytics YOLOモデルを物体検出用にトレーニングする場合、ModelCheckpointコールバックを使用することがあります。このコールバックは、検証データセットの平均適合率（mAP）を監視します。mAPスコアが以前に保存された最高のスコアと比較して改善された場合にのみ、モデルの重みをファイルに保存し、最も正確なモデルを保持するようにします。モデル比較ページで、さまざまなモデルのパフォーマンスを確認できます。
2. 画像分類における過学習の防止： 画像分類のために、ImageNetのような複雑なデータセットでモデルをトレーニングすることを想像してみてください。EarlyStoppingコールバックは、検証損失を監視するように構成できます。検証損失が一定のエポック数減少しない場合、コールバックは自動的にトレーニングを停止します。これにより、モデルがトレーニングデータに過学習するのを防ぎ、トレーニング時間と計算コストを大幅に節約できます。画像分類タスクとその実装方法について詳しく学ぶことができます。

コールバックとその他の概念

コールバックを関連用語と区別すると理解しやすくなります。

• 関数: コールバックは関数の一種ですが、その定義上の特徴は、別の関数（トレーニングループ）への引数として渡され、その関数によって特定のタイミングで内部的に呼び出されることです。標準関数は通常、プログラマーによって直接呼び出されます。
• フック: ソフトウェアエンジニアリングでは、フックは、カスタムロジックを挿入できるコード内の場所に対するより一般的な用語です。機械学習フレームワークのコールバックは、モデルのトレーニングライフサイクルのイベントに合わせて調整された、フックの概念の特定の実装です。
• ハイパーパラメータチューニング： これは、モデルに最適なハイパーパラメータ（学習率やバッチサイズなど）を見つけるプロセスです。 コールバックは、たとえば、学習率スケジューラを実装することにより、ハイパーパラメータチューニングを支援できますが、チューニングプロセス自体ではありません。 チューニングプロセスは、より高レベルの検索または最適化手順です。

コールバックを使用する利点

コールバックをトレーニングプロセスに統合すると、いくつかの大きな利点があります。

• 自動化: コールバックは、モデルの保存、TensorBoardのようなツールを使用したメトリックのロギング、パラメータの調整など、反復的なタスクを自動化し、長時間のトレーニング実行中の手動介入の必要性を減らします。
• 柔軟性とカスタマイズ: 開発者は、コアフレームワークコードを変更せずに、カスタムロジックをトレーニングループに挿入できるため、高度にカスタマイズされたトレーニング動作が可能になります。これは、複雑な実験や高度なトレーニング手法の実装に特に役立ちます。
• 効率性: Early Stoppingや動的な学習率調整などのコールバックは、計算リソースを節約し、モデルの収束を加速する可能性があり、トレーニングをより効率的にすることができます。
• 洞察とモニタリング: 詳細なログ記録と経時的なメトリクスの可視化を可能にすることで、学習ダイナミクスに関する深い洞察を提供します。これは、モデル評価にとって非常に重要です。
• 再現性： トレーニング中に実行されるアクション（基準の保存、停止条件など）を標準化することにより、コールバックはより再現性の高い機械学習実験に貢献します。

KerasやPyTorch Lightningのようなフレームワークは、豊富な組み込みコールバックと、カスタムコールバックを作成するための簡単なインターフェースを提供しています。 Ultralyticsも、トレーニングパイプライン内でコールバックを内部的に利用しており、Ultralytics YOLO11やUltralytics HUBプラットフォームのようなツールの堅牢性と使いやすさに貢献しています。 Ultralyticsのドキュメントを参照すると、YOLOモデルのトレーニングに関連するより具体的な例が得られます。