콜백

콜백 작동 방식

콜백은 이벤트 중심 시스템을 기반으로 작동합니다. 콜백은 일반적으로 다음과 같은 주요 함수에 목록으로 전달됩니다. train 메서드 내에서 머신 러닝(ML) 프레임워크를 사용합니다. 프레임워크는 "이벤트"라고 하는 특정 시점에 이러한 콜백을 호출하도록 설계되었습니다. 일반적인 이벤트에는 전체 교육 프로세스의 시작 또는 종료, 전체 교육 프로세스의 시작 또는 종료, 전체 교육 프로세스 중 epoch또는 단일 배치 크기 를 사용할 수 있습니다. 특정 이벤트가 발생하면 프레임워크는 해당 콜백 함수를 실행하여 현재 에포크 번호와 같은 현재 상태에 대한 관련 정보를 전달합니다, 손실 기능 값 또는 성능 메트릭을 인수로 전달할 수 있습니다. 이를 통해 콜백은 실시간 정보를 기반으로 진행 중인 프로세스와 동적으로 상호 작용하고 영향을 줄 수 있습니다.

주요 애플리케이션 및 사용 사례

콜백은 매우 다재다능하며 효과적인 모델 개발 및 교육에 필수적인 다양한 기능을 지원합니다:

• 모델 성능 모니터링: 학습 데이터 및 검증 데이터의 손실 및 정확도와 같은 메트릭을 학습 전반에 걸쳐 추적합니다. 결과를 콘솔에 기록하거나 파일에 저장하거나 TensorBoard와 같은 도구를 사용하여 시각화할 수 있습니다.
• 모델 체크포인트: 모델 가중치를 주기적으로 자동으로 저장하여 선택한 메트릭(예: 유효성 검사 정확도 또는 손실)에 따라 가장 성능이 좋은 버전만 저장합니다. 이렇게 하면 학습이 중단되거나 나중에 성능이 저하되는 경우에도 최상의 모델이 손실되지 않도록 보장합니다.
• 조기 중지: 성능 지표(예: 유효성 검사 손실)를 모니터링하고 지정된 기간 동안 지표가 개선되지 않으면 자동으로 학습 프로세스를 중단합니다. 이렇게 하면 과적합을 방지하고 계산 리소스를 절약할 수 있습니다.
• 동적 조정: 학습 매개변수를 즉석에서 수정할 수 있습니다. 일반적인 예로는 학습 진행 상황에 따라 학습 속도를 동적으로 조정하여 성능이 정체될 때 학습 속도를 낮추는 것(학습 속도 스케줄링)이 있습니다.
• 로깅 및 보고: 로그, 메트릭 및 교육 진행률 업데이트를 외부 모니터링 시스템 또는 다음과 같은 실험 추적 플랫폼으로 전송하세요. Weights & Biases 또는 Ultralytics 허브와 같은 외부 모니터링 시스템이나 실험 추적 플랫폼에 업데이트를 전송하여 MLOps 실행을 지원합니다.
• 리소스 관리: 사용자 지정 로직을 구현하여 시스템 리소스를 관리합니다(예: 지우기). GPU 메모리 캐시를 지우는 등 시스템 리소스를 관리할 수 있습니다. 모델 트레이닝 팁 가이드에서 더 많은 제안을 확인하세요.

실제 사례

1. 최고의 객체 감지 모델 저장하기: 학습할 때 Ultralytics YOLO 모델을 훈련할 때 ModelCheckpoint 콜백을 사용할 수 있습니다. 이 콜백은 유효성 검사 데이터 세트의 평균 평균 정밀도(mAP) 를 모니터링합니다. 이전에 저장된 최고 점수에 비해 mAP 점수가 개선된 경우에만 모델의 가중치를 파일에 저장하여 훈련 세션에서 가장 정확한 모델을 유지할 수 있도록 합니다. 모델 비교 페이지에서 다양한 YOLO 모델의 성능을 비교해 보세요.
2. 이미지 분류에서 과적합 방지: 이미지넷과 같은 복잡한 데이터 세트에서 이미지 분류를 위한 모델을 훈련한다고 상상해 보세요. 유효성 검사 손실을 모니터링하도록 조기 중지 콜백을 구성할 수 있습니다. 예를 들어 10회 연속으로 유효성 검사 손실이 감소하지 않으면 콜백이 자동으로 훈련을 중지합니다. 이렇게 하면 모델이 훈련 데이터에 과적합하는 것을 방지하고 상당한 훈련 시간과 비용을 절약할 수 있습니다. 이미지 분류 작업에 대해 자세히 알아보세요.

콜백 사용의 이점

콜백을 머신 러닝 워크플로우에 통합하면 몇 가지 중요한 이점이 있습니다:

• 자동화: 콜백은 모델 저장, 메트릭 로깅, 매개변수 조정과 같은 반복적인 작업을 자동화하여 긴 훈련 실행 중 수동 개입의 필요성을 줄여줍니다.
• 유연성 및 사용자 지정: 개발자는 핵심 프레임워크 코드를 수정하지 않고도 사용자 지정 로직을 트레이닝 루프에 삽입할 수 있어 고도로 맞춤화된 트레이닝 동작을 구현할 수 있습니다. 이는 복잡한 실험이나 하이퍼파라미터 튜닝에 특히 유용합니다.
• 효율성: 조기 중지 및 동적 학습 속도 조정과 같은 콜백 기능을 사용하면 계산 리소스를 절약하고 잠재적으로 융합 속도를 높여 훈련의 효율성을 높일 수 있습니다.
• 인사이트 및 모니터링: 시간 경과에 따른 메트릭의 상세한 로깅 및 시각화를 통해 교육 역학에 대한 심층적인 인사이트를 제공합니다.
• 재현성: 콜백은 훈련 중에 수행되는 작업(예: 저장 기준, 중지 조건)을 표준화함으로써 머신 러닝 실험의 재현성을 높이는 데 기여합니다.

Keras 및 PyTorch Lightning과 같은 프레임워크는 광범위한 기본 제공 콜백 컬렉션과 사용자 지정 콜백을 만들기 위한 간단한 인터페이스를 제공합니다. 또한 Ultralytics 트레이닝 파이프라인 내에서 내부적으로 콜백을 활용하여 다음과 같은 도구의 견고성과 사용자 친화성에 기여합니다. Ultralytics YOLO11 및 Ultralytics HUB 플랫폼과 같은 도구의 견고성과 사용자 편의성에 기여합니다. Ultralytics 설명서를 참조하면 YOLO 모델 훈련과 관련된 보다 구체적인 예시를 확인할 수 있습니다.