Chamada de retorno

Na aprendizagem automática, um retorno de chamada é um script ou função automatizada que é executada em pontos específicos durante o processo de formação de um modelo. Pense nele como um conjunto de instruções que a estrutura de treino segue em fases predefinidas, como no início ou no fim de uma época, um lote de treino ou toda a sessão de treino. As rechamadas fornecem um mecanismo poderoso para os programadores monitorizarem, controlarem e automatizarem vários aspectos da formação sem necessitarem de alterar o código principal do modelo ou do ciclo de formação. São ferramentas essenciais para a criação de pipelines de aprendizagem automática (ML) eficientes e robustos.

Como funcionam as chamadas de retorno

Quando se treina um rede neural (NN)o processo envolve a iteração sobre um conjunto de dados para várias épocas. Um ciclo de treino gere este processo, que inclui a alimentação de dados ao modelo, o cálculo do função de perdae actualizando o pesos do modelo através de retropropagação. As chamadas de retorno ligam-se a este ciclo em eventos específicos. Por exemplo, um on_epoch_end executará o seu código precisamente após a conclusão de cada época. Isso permite intervenções dinâmicas, como o ajuste do taxa de aprendizagemA automação é uma parte fundamental de um sistema de gestão de dados, que pode ser usado para guardar a melhor versão de um modelo ou para interromper o treino mais cedo se o desempenho atingir um patamar. Esta automatização é uma parte essencial de um sistema bem estruturado fluxo de trabalho de aprendizagem automática.

Exemplos na prática

As rechamadas são amplamente utilizadas em várias tarefas de visão computacional (CV) para melhorar os resultados da formação.

1. Salvando o melhor modelo de deteção de objetos: Ao treinar um modelo YOLO do Ultralytics para deteção de objectos, pode utilizar uma chamada de retorno ModelCheckpoint. Essa chamada de retorno monitora a precisão média média (mAP) no conjunto de dados de validação. Ele salva os pesos do modelo em um arquivo somente quando a pontuação mAP melhora em comparação com a melhor pontuação salva anteriormente, garantindo que você mantenha o modelo mais preciso. Pode ver o desempenho de diferentes modelos na nossa página de comparação de modelos.
2. Prevenir o sobreajuste na classificação de imagens: Imagine treinar um modelo para classificação de imagens num conjunto de dados complexo como o ImageNet. Uma chamada de retorno EarlyStopping pode ser configurada para monitorar a perda de validação. Se a perda de validação não diminuir durante um número definido de épocas, a chamada de retorno interrompe automaticamente o treinamento. Isso evita que o modelo se ajuste demais aos dados de treinamento e economiza tempo de treinamento e custo computacional significativos. Pode saber mais sobre as tarefas de classificação de imagens e como as implementar.

Callbacks vs. outros conceitos

É útil distinguir callbacks de termos relacionados:

• Funções: Embora uma callback seja um tipo de função, a sua caraterística definidora é o facto de ser passada como um argumento para outra função (o ciclo de formação) e ser invocada internamente por essa função num momento específico. Uma função standard é normalmente chamada diretamente pelo programador.
• Ganchos: Na engenharia de software, um gancho é um termo mais geral para um local no código que permite a inserção de lógica personalizada. Os retornos de chamada em estruturas de aprendizagem automática são uma implementação específica do conceito de gancho, adaptados aos eventos do ciclo de vida de formação de um modelo.
• Ajuste de hiperparâmetros: Este é o processo de encontrar os hiperparâmetros ideais (como taxa de aprendizagem ou tamanho do lote) para um modelo. As chamadas de retorno podem ajudar no ajuste de hiperparâmetros, por exemplo, implementando um agendador de taxa de aprendizado, mas não são o processo de ajuste em si. O processo de afinação é um procedimento de pesquisa ou otimização de nível superior.

Benefícios da utilização de callbacks

A integração de chamadas de retorno no processo de formação oferece várias vantagens significativas:

• Automatização: Os callbacks automatizam tarefas repetitivas como guardar modelos, registar métricas com ferramentas como o TensorBoard e ajustar parâmetros, reduzindo a necessidade de intervenção manual durante longos períodos de treino.
• Flexibilidade e personalização: Permitem que os programadores insiram lógica personalizada no ciclo de formação sem modificar o código da estrutura central, permitindo comportamentos de formação altamente personalizados. Isto é particularmente útil para experiências complexas ou para a implementação de técnicas de formação avançadas.
• Eficiência: As chamadas de retorno, como a paragem antecipada e o ajuste dinâmico da taxa de aprendizagem, podem tornar a formação mais eficiente, poupando recursos computacionais e acelerando potencialmente a convergência do modelo.
• Perceção e monitorização: Fornecem uma visão profunda da dinâmica de formação, permitindo o registo detalhado e a visualização de métricas ao longo do tempo, o que é crucial para a avaliação do modelo.
• Reprodutibilidade: Ao normalizar as acções realizadas durante a formação (por exemplo, critérios de gravação, condições de paragem), as chamadas de retorno contribuem para experiências de aprendizagem automática mais reprodutíveis.

Estruturas como Keras e PyTorch Lightning oferecem colecções extensas de callbacks incorporados e interfaces simples para a criação de callbacks personalizados. O Ultralytics também utiliza as callbacks internamente nos seus pipelines de formação, contribuindo para a robustez e a facilidade de utilização de ferramentas como o Ultralytics YOLO11 e a plataforma Ultralytics HUB. A consulta da documentação do Ultralytics pode fornecer exemplos mais específicos relacionados com a formação do modelo YOLO.