Callback

В области разработки программного обеспечения и artificial intelligence (AI) callback (обратный вызов) представляет собой фрагмент исполняемого кода, который передается в качестве аргумента другому коду, после чего ожидается, что он выполнит (вызовет) этот аргумент в заданный момент времени. В специфическом контексте фреймворков deep learning (DL) callback'и являются незаменимыми инструментами, позволяющими разработчикам настраивать поведение цикла model training без изменения самого основного кода обучения. Они действуют как автоматизированные триггеры, выполняющие определенные действия на различных этапах процесса обучения, таких как начало или конец epoch, батча обучения или всей сессии обучения.

Роль callback-функций в машинном обучении#

Обучение сложной neural network может занимать часы или даже дни. Без callback'ов процесс обучения по сути представляет собой «черный ящик», который работает до завершения, часто требуя ручного контроля. Callback'и привносят наблюдаемость и управляемость, позволяя системе саморегулироваться на основе метрик производительности в реальном времени.

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.

Распространенные применения и примеры из реальной практики#

Callback'и универсальны и могут использоваться для широкого спектра задач в процессе model monitoring и оптимизации.

• Ранняя остановка (Early Stopping): Одно из наиболее частых применений — early stopping. Этот callback отслеживает определенную метрику, например потери на validation data. Если потери перестают уменьшаться в течение заданного числа эпох, callback останавливает обучение. Это предотвращает overfitting, гарантируя, что модель хорошо обобщает новые данные, а не заучивает training data наизусть.
• Чекпоинты модели (Model Checkpointing): При длительном обучении аппаратные сбои могут быть фатальными. Callback сохранения контрольных точек сохраняет model weights через регулярные интервалы (например, каждую эпоху) или только тогда, когда модель достигает нового «лучшего» результата по метрикам, таким как accuracy или mean average precision (mAP). Это гарантирует, что у тебя всегда будет сохраненная версия наиболее эффективной модели.
• Планирование скорости обучения (Learning Rate Scheduling): learning rate управляет тем, насколько сильно модель изменяется в ответ на оценку ошибки при каждом обновлении весов модели. Callback может динамически регулировать эту скорость, уменьшая ее при плато обучения, чтобы помочь модели сойтись к оптимальному решению — методика, часто называемая learning rate decay.
• 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.

Реализация callback-функций с помощью Ultralytics YOLO#

The Ultralytics library supports a robust callback system, allowing users to hook into events during the training of models like YOLO26. This is particularly useful for users managing workflows on the Ultralytics Platform who need custom logging or control logic.

Below is a concise example of how to define and register a custom callback that prints a message at the end of every training epoch using the 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)

Callback-функции против хуков (Hooks)#

Несмотря на схожесть, полезно отличать callback'и от hooks (хуков). В таких фреймворках, как PyTorch, хуки обычно представляют собой функции более низкого уровня, прикрепленные к конкретным операциям tensor или слоям нейронной сети для проверки или изменения градиентов и выходов во время прямого или обратного прохода. В отличие от них, callback'и обычно представляют собой абстракции более высокого уровня, привязанные к событиям training loop (начало, конец, обработка батча), а не к самому графу математических вычислений.

Дополнительные материалы и ресурсы#

For those looking to deepen their understanding of how to optimize training workflows, exploring hyperparameter tuning is a logical next step. Additionally, understanding the underlying computer vision (CV) tasks such as object detection and instance segmentation will provide context on why precise training control via callbacks is necessary. For enterprise-grade management of these processes, the Ultralytics Platform offers integrated solutions that automate many of these callback-driven behaviors.