Geri Çağırma (Callback)

Makine öğreniminde (ML), geri arama bir Bir bilgi işlem sürecinin belirli aşamalarında otomatik olarak çalışmak üzere tasarlanmış çok yönlü işlev veya kod bloğu. İçinde sinir ağlarının (NN) eğitimi bağlamında, callback'ler, aşağıdakilerle etkileşime giren "kancalar" olarak hizmet eder metriklerin günlüğe kaydedilmesi gibi eylemleri gerçekleştirmek için eğitim yaşam döngüsü, ara sonuçların kaydedilmesi veya kontrol parametrelerinin ayarlanması. Bu yardımcı görevleri ana görevlerden ayırarak eğitim döngüsü sayesinde geliştiriciler, çekirdek sistemi değiştirmeden modüler, okunabilir ve son derece özelleştirilebilir iş akışları oluşturabilirler. Algoritma.

Geri Çağırmalar Nasıl İşler?

Tipik bir eğitim süreci, bir dizi için bir veri küm esi üzerinde yinelenir Epok olarak bilinen geçiş sayısı. Bu döngü sırasında sistem tahminler yapmak için ileri geçişler gerçekleştirir ve güncellemek için geriye yayılım model ağırlıkları. Geri aramalar önceden tanımlanmış Bu döngü içindeki "olaylar" - eğitimin başlangıcı, bir partinin sonu veya bir epokun tamamlanması gibi.

Ultralytics gibi çerçevelerdeki Trainer nesnesi bu olayları yönetir. Belirli bir olay meydana geldiğinde, eğitmen kayıtlı geri arama işlevlerini çalıştırır ve onlara modelin mevcut durumunu gösterir. Bu mekanizma modern MLOps, gerçek zamanlı gözlemlenebilirlik ve otomatik müdahale.

Yapay Zeka'da Yaygın Uygulamalar

Geri aramalar, performans ve kaynak kullanımını optimize etmek için vazgeçilmezdir. derin öğrenme (DL).

• Erken Durdurma: En kritik noktalardan biri uygulamaları aşırı uyumun önlenmesidir. Erken bir durdurma geri çağrısı, hata oranını izler doğrulama verileri. Eğer modelin performansı Belirlenen sayıda epok boyunca durgunlaşır veya bozulursa, geri arama eğitimi derhal durdurarak zamandan ve bulut bilişim maliyetleri.
• Dinamik Öğrenme Oranı Çizelgeleme: Adım boyutunun ayarlanması optimizasyon algoritması aşağıdakiler için çok önemlidir yakınsama. Geri aramalar, bir plato tespit edildiğinde öğrenme oranını azaltabilir ve modelin bir platoya yerleşmesine izin verebilir. daha optimal bir çözüm.
• Model Kontrol Noktası: Bir modelin en iyi sürümünün korunduğundan emin olmak için bir kontrol noktası geri çağrısı gibi bir anahtar metrik olduğunda sistem durumunu kaydeder. Ortalama Ortalama Hassasiyet (mAP), geliştirir. Bu, aşağıdaki gibi büyük veri kümeleri üzerinde uzun eğitim oturumları için hayati önem taşır ImageNet veya COCO.
• Deney Günlüğü: Aşağıdaki gibi görselleştirme araçlarıyla entegrasyon TensorBoard, ClearMLveya MLflow genellikle geri aramalar yoluyla işlenir. Bu araçlar kayıp eğrilerini, sistem donanım kullanımı ve daha sonraki analizler için örnek tahminler.

Özel Geri Çağırma Uygulama

Bu ultralytics kütüphanesi, aşağıdaki gibi modellere özel geri aramalar eklemek için basit bir API sağlar YOLO11. Bu, kullanıcıların aşağıdaki gibi belirli bir mantık eklemesine olanak tanır Durum güncellemelerini yazdırmak veya harici API'lerle etkileşim kurmak, doğrudan eğitim hattına.

Aşağıdaki örnekte, her bir onay mesajının sonunda bir onay mesajı yazdıran basit bir geri aramanın nasıl ekleneceği gösterilmektedir eğitim dönemi:

from ultralytics import YOLO


def on_train_epoch_end(trainer):
    """Callback function to print the current epoch number after it finishes."""
    print(f"Custom Callback: Epoch {trainer.epoch + 1} completed successfully.")


# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Register the custom callback for the 'on_train_epoch_end' event
model.add_callback("on_train_epoch_end", on_train_epoch_end)

# Train the model with the registered callback
model.train(data="coco8.yaml", epochs=2)

İlgili Kavramlardan Ayrım

Geri aramaları etkili bir şekilde kullanmak için, bunları yazılım mühendisliği ve veri mühendisliğindeki benzer terimlerden ayırmak yararlı olacaktır Bilim.

• Kancalar: "Geri arama" ve "kanca" genellikle birbirinin yerine kullanılsa da, bir kanca genellikle Harici bir işlevin eklenebileceği kodda (durdurma noktası). Geri arama belirli bir kullanıcı tarafından o kancada çalıştırılmak üzere sağlanan işlev.
• Hiperparametre Ayarlama: Geri aramalar ayarlamayı kolaylaştırır (örneğin, öğrenme hızı zamanlayıcıları veya aşağıdaki gibi kütüphanelerle entegrasyon yoluyla Ray Tune), ancak bunlar ayarlama işleminin kendisi değildir. Ayarlama, optimum yapılandırma değerlerinin aranmasını içerirken, geri aramalar değişiklikleri uygulamak için bir mekanizmadır veya Bu arama sırasında ilerlemeyi izlemek.
• Veri Artırımı: Güçlendirme, girdi verilerini ağa ulaşmadan önce değiştirir. Bazı gelişmiş boru hatları geri aramalar kullanırken artırma yoğunluğunu dinamik olarak ayarlamak (örn. YOLOv5), standart artırma genellikle verilerin bir parçasıdır bir eğitim döngüsü olayı yerine yükleme boru hattı.

Gerçek Dünyadaki Faydaları

Geri aramaların kullanımı doğrudan daha sağlam ve verimli Yapay zeka ajanları ve uygulamaları. Örneğin, içinde otonom araçlar, eğitim modelleri şunları gerektirir büyük miktarda sensör verisinin işlenmesi. Geri aramalar, mühendislerin en iyi performansı gösteren modelleri otomatik olarak anlık görüntülemelerine olanak tanır manuel izleme olmadan zor uç durumlarda. Benzer şekilde, içinde tıbbi görüntü analizi, geri aramalar Model öğrenmek yerine hasta verilerini ezberlemeye başlarsa (aşırı uyum) uyarıları veya kapsamlı günlük kaydını tetikler genelleştirilebilir özellikler, klinik dağıtım için yüksek güvenilirlik sağlar.

Geri aramalardan yararlanarak, aşağıdaki gibi çerçeveler kullanan geliştiriciler PyTorch veya TensorFlow tasarruf sağlayan kendi kendini düzenleyen sistemler kurabilir zaman, hataları azaltma ve performanslarını en üst düzeye çıkarma bilgisayarla görme (CV) çözümleri.