Geri arama

Geri Çağırmalar Nasıl Çalışır?

Geri aramalar olay güdümlü bir sisteme dayalı olarak çalışır. Genellikle bir ana işleve liste olarak aktarılırlar, örneğin train yöntemi içinde makine öğrenimi (ML) çerçeve. Çerçeve, bu geri aramaları "olaylar" olarak bilinen belirli noktalarda çağırmak üzere tasarlanmıştır. Yaygın olaylar arasında tüm eğitim sürecinin başlangıcı veya sonu, bir eğitimin başlangıcı veya sonu çağveya hatta tek bir işlemden önce veya sonra parti büyüklüğü veri. Belirli bir olay meydana geldiğinde, çerçeve ilgili geri arama işlevini (işlevlerini) yürütür ve genellikle mevcut durumla ilgili bilgileri (mevcut dönem numarası gibi) iletir, kayıp fonksiyonu değeri veya performans ölçütlerini argüman olarak kullanabilir. Bu, geri aramanın gerçek zamanlı bilgilere dayalı olarak devam eden süreçle dinamik olarak etkileşime girmesine ve süreci etkilemesine olanak tanır.

Temel Uygulamalar ve Kullanım Örnekleri

Geri aramalar inanılmaz derecede çok yönlüdür ve etkili model geliştirme ve eğitim için gerekli olan çok çeşitli işlevleri mümkün kılar:

• Model Performansını İzleme: Eğitim boyunca eğitim verileri ve doğrulama verileri üzerinde kayıp ve doğruluk gibi metrikleri izleyin. Sonuçlar konsola kaydedilebilir, dosyalara kaydedilebilir veya TensorBoard gibi araçlar kullanılarak görselleştirilebilir.
• Model Kontrol Noktası: Model ağırlıklarını periyodik olarak otomatik olarak kaydedin, genellikle seçilen bir metriğe göre (örneğin, doğrulama doğruluğu veya kaybı) yalnızca en iyi performans gösteren sürümü kaydedin. Bu, eğitimin kesintiye uğraması veya performansın daha sonra düşmesi durumunda en iyi modelin kaybolmamasını sağlar.
• Erken Durdurma: Bir performans metriğini (doğrulama kaybı gibi) izleyin ve metrik belirli sayıda epok için gelişmeyi durdurursa eğitim sürecini otomatik olarak durdurun. Bu, aşırı uyumu önler ve hesaplama kaynaklarından tasarruf sağlar.
• Dinamik Ayarlamalar: Eğitim parametrelerini anında değiştirin. Yaygın bir örnek, eğitim ilerlemesine dayalı olarak öğrenme oranını dinamik olarak ayarlamak ve genellikle performans platoları olduğunda azaltmaktır (öğrenme oranı planlaması).
• Günlük ve Raporlama: Günlükleri, ölçümleri ve eğitim ilerleme güncellemelerini harici izleme sistemlerine veya aşağıdaki gibi deney izleme platformlarına gönderin Weights & Biases veya Ultralytics HUB, MLOps uygulamalarına yardımcı olur.
• Kaynak Yönetimi: Temizleme gibi sistem kaynaklarını yönetmek için özel mantık uygulama GPU Belirli aralıklarla bellek önbellekleri. Model Eğitim İpuçları kılavuzumuzda daha fazla öneri bulabilirsiniz.

Uygulamadan Örnekler

1. En İyi Nesne Algılama Modelini Kaydetme: Bir kişiyi eğitirken Ultralytics YOLO modeli kullanıyorsanız, bir ModelCheckpoint geri çağrısı kullanabilirsiniz. Bu geri arama, doğrulama veri kümesindeki Ortalama Ortalama Hassasiyeti (mAP) izler. Modelin ağırlıklarını yalnızca mAP puanı daha önce kaydedilen en iyi puana kıyasla iyileştiğinde bir dosyaya kaydeder ve eğitim oturumundaki en doğru modeli korumanızı sağlar. Model karşılaştırma sayfamızda farklı YOLO model performanslarını karşılaştırın.
2. Görüntü Sınıflandırmada Aşırı Uyumu Önleme: ImageNet gibi karmaşık bir veri kümesi üzerinde görüntü sınıflandırması için bir model eğittiğinizi düşünün. Doğrulama kaybını izlemek için bir EarlyStopping geri çağrısı yapılandırılabilir. Doğrulama kaybı örneğin 10 ardışık epok boyunca azalmazsa, geri arama otomatik olarak eğitimi durdurur. Bu, modelin eğitim verilerine aşırı uyum sağlamasını önler ve önemli ölçüde eğitim süresi ve maliyeti tasarrufu sağlar. Görüntü sınıflandırma görevlerini daha fazla keşfedin.

Geri Çağırma Kullanmanın Faydaları

Geri aramaları makine öğrenimi iş akışına entegre etmek birkaç önemli avantaj sunar:

• Otomasyon: Geri aramalar, modelleri kaydetme, ölçümleri kaydetme ve parametreleri ayarlama gibi tekrarlayan görevleri otomatikleştirerek uzun eğitim çalışmaları sırasında manuel müdahale ihtiyacını azaltır.
• Esneklik ve Özelleştirme: Geliştiricilerin çekirdek çerçeve kodunu değiştirmeden eğitim döngüsüne özel mantık eklemesine olanak tanıyarak son derece özel eğitim davranışları sağlar. Bu özellikle karmaşık deneyler veya hiperparametre ayarı için kullanışlıdır.
• Verimlilik: Erken Durdurma ve dinamik öğrenme oranı ayarı gibi geri aramalar, hesaplama kaynaklarından tasarruf ederek ve potansiyel olarak yakınsamayı hızlandırarak eğitimi daha verimli hale getirebilir.
• İçgörü ve İzleme: Zaman içinde metriklerin ayrıntılı olarak kaydedilmesini ve görselleştirilmesini sağlayarak eğitim dinamikleri hakkında derinlemesine bilgi sağlarlar.
• Tekrarlanabilirlik: Eğitim sırasında gerçekleştirilen eylemleri standartlaştırarak (örn. kaydetme kriterleri, durdurma koşulları), geri aramalar daha tekrarlanabilir makine öğrenimi deneylerine katkıda bulunur.

Keras ve PyTorch Lightning gibi çerçeveler, kapsamlı yerleşik geri arama koleksiyonları ve özel olanlar oluşturmak için basit arayüzler sunar. Ultralytics ayrıca eğitim işlem hatlarında dahili olarak geri aramalardan yararlanarak aşağıdaki gibi araçların sağlamlığına ve kullanıcı dostu olmasına katkıda bulunur Ultralytics YOLO11 ve Ultralytics HUB platformu. Ultralytics belgelerine başvurmak, YOLO model eğitimi ile ilgili daha spesifik örnekler sağlayabilir.