Callback

В сфере разработки ПО и искусственного интеллекта (AI) колбэк — это фрагмент исполняемого кода, передаваемый в качестве аргумента другому коду, который затем должен выполнить (вызвать обратно) этот аргумент в заданный момент. В контексте фреймворков глубокого обучения (DL) колбэки — это важные инструменты, позволяющие разработчикам настраивать поведение цикла обучения модели без изменения самого основного кода обучения. Они работают как автоматические триггеры, выполняющие определённые действия на различных этапах процесса обучения, например в начале или конце эпохи, пакета данных или всей сессии обучения.

Роль колбэков в машинном обучении#

Обучение сложной нейронной сети может занимать часы и даже дни. Без колбэков процесс обучения по сути представляет собой «чёрный ящик», который работает до завершения и часто требует ручного контроля. Колбэки обеспечивают наблюдаемость и контроль, позволяя системе самостоятельно регулировать работу на основе метрик производительности в реальном времени.

При использовании высокоуровневых библиотек, таких как PyTorch или TensorFlow, колбэки позволяют внедрять логику в алгоритм оптимизации. Например, если модель хорошо обучается, колбэк может сохранить её текущее состояние; если обучение прекращается, колбэк может остановить процесс, чтобы сэкономить ресурсы. Это делает рабочий процесс машинного обучения (ML) более эффективным и надёжным.

Распространённые применения и примеры из реальной практики#

Колбэки универсальны и могут использоваться для широкого спектра задач во время мониторинга модели и оптимизации.

• Раннее прекращение обучения: одно из наиболее распространённых применений — раннее прекращение обучения. Этот колбэк отслеживает определённую метрику, например ошибку на валидационных данных. Если ошибка перестаёт уменьшаться в течение заданного числа эпох, колбэк останавливает обучение. Это предотвращает переобучение и помогает обеспечить хорошую обобщающую способность модели на новых данных, вместо того чтобы она просто запоминала обучающие данные.
• Сохранение контрольных точек модели: при длительном обучении аппаратные сбои могут иметь катастрофические последствия. Колбэк сохранения контрольных точек сохраняет веса модели через регулярные интервалы (например, после каждой эпохи) или только тогда, когда модель достигает нового «лучшего» результата по таким метрикам, как точность или средняя точность (mAP). Это гарантирует, что у тебя всегда будет сохранена версия модели с наилучшими результатами.
• Планирование скорости обучения: скорость обучения определяет, насколько сильно модель изменяется в ответ на оценённую ошибку при каждом обновлении весов модели. Колбэк может динамически корректировать эту скорость, уменьшая её, когда обучение выходит на плато, чтобы помочь модели сойтись к оптимальному решению; эту технику часто называют уменьшением скорости обучения.
• Логирование и визуализация: колбэки часто используются для интеграции с инструментами отслеживания экспериментов. Они передают метрики на такие панели мониторинга, как TensorBoard или MLflow, позволяя специалистам по работе с данными визуализировать функции потерь и графики производительности в реальном времени.

Реализация колбэков с Ultralytics YOLO#

Библиотека Ultralytics поддерживает надёжную систему колбэков, позволяющую пользователям подключаться к событиям во время обучения таких моделей, как YOLO26. Это особенно полезно для пользователей, управляющих рабочими процессами на платформе Ultralytics и нуждающихся в пользовательском логировании или логике управления.

Ниже приведён краткий пример определения и регистрации пользовательского колбэка, который выводит сообщение в конце каждой эпохи обучения с использованием Python API:

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)

Колбэки и хуки#

Хотя эти механизмы связаны, важно различать колбэки и хуки. Во фреймворках, таких как PyTorch, хуки обычно представляют собой функции более низкого уровня, привязанные к определённым операциям над тензорами или слоям нейронной сети для проверки или изменения градиентов и выходных данных во время прямого или обратного прохода. В отличие от них, колбэки обычно являются абстракциями более высокого уровня, связанными с событиями цикла обучения (начало, конец, обработка пакета данных), а не с самим графом математических вычислений.

Дополнительные материалы и ресурсы#

Тем, кто хочет глубже разобраться в оптимизации рабочих процессов обучения, логичным следующим шагом будет изучение настройки гиперпараметров. Кроме того, понимание базовых задач компьютерного зрения (CV), таких как обнаружение объектов и сегментация экземпляров, поможет понять, почему необходим точный контроль обучения с помощью колбэков. Для управления этими процессами на уровне предприятия платформа Ultralytics предлагает интегрированные решения, автоматизирующие многие процессы, управляемые колбэками.