Callback

Yazılım mühendisliği ve artificial intelligence (AI) alanında, bir callback, diğer koda argüman olarak iletilen ve daha sonra belirtilen bir zamanda bu argümanı yürütmesi (geri çağırması) beklenen yürütülebilir bir kod parçasır. deep learning (DL) çatıları özel bağlamında callback'ler, geliştiricilerin çekirdek eğitim kodunun kendisini değiştirmeden model training döngüsünün davranışını özelleştirmesine olanak tanıyan temel araçlardır. Bunlar, bir epoch, bir eğitim verisi grubu veya tüm eğitim oturumunun başlangıcı veya sonu gibi eğitimin çeşitli aşamalarında belirli eylemleri gerçekleştiren otomatik tetikleyiciler olarak görev yapar.

Makine Öğreniminde Callback'lerin Rolü#

Karmaşık bir neural network eğitimi saatler hatta günler sürebilir. Callback'ler olmadan eğitim süreci temel olarak tamamlanana kadar çalışan ve genellikle manuel gözetim gerektiren "kara kutu" niteliğindedir. Callback'ler gözlemlenebilirlik ve kontrol sağlayarak sistemin gerçek zamanlı performans metriklerine göre kendi kendini düzenlemesine olanak tanır.

PyTorch veya TensorFlow gibi üst düzey kütüphaneler kullanılırken callback'ler, optimization algorithm içine mantık enjekte etmenin bir yolunu sunar. Örneğin, bir model iyi öğreniyorsa bir callback mevcut durumu kaydedebilir; eğer öğrenmeyi durdurursa kaynaklardan tasarruf etmek için süreci durdurabilir. Bu, machine learning (ML) iş akışını daha verimli ve sağlam hale getirir.

Yaygın Uygulamalar ve Gerçek Dünya Örnekleri#

Callback'ler çok yönlüdür ve model monitoring ile optimizasyon sırasında çok çeşitli görevler için kullanılabilir.

• Erken Durdurma: En yaygın kullanımlardan biri early stopping özelliğidir. Bu callback, validation data kaybı gibi belirli bir metriği izler. Kayıp belirlenen sayıda epoch boyunca düşmeyi durdurursa callback eğitimi durdurur. Bu, modelin training data verilerini ezberlemek yerine yeni verilere iyi uyum sağlamasını (genelleştirme yapmasını) güvenceye alarak overfitting durumunu önler.
• Model Kontrol Noktaları: Uzun eğitim süreçlerinde donanım arızaları felaketle sonuçlanabilir. Bir kontrol noktası callback'i, model weights değerlerini düzenli aralıklarla (örneğin her epoch'ta) veya yalnızca model accuracy ya da mean average precision (mAP) gibi metriklerde yeni bir "en iyi" puana ulaştığında kaydeder. Bu, en iyi performans gösteren modelin kaydedilmiş bir sürümüne her zaman sahip olmanı sağlar.
• Öğrenme Oranı Planlaması: learning rate, model ağırlıkları her güncellendiğinde modelin tahmin edilen hataya yanıt olarak ne kadar değişeceğini kontrol eder. Bir callback bu oranı dinamik olarak ayarlayabilir; öğrenme durakladığında oranı düşürerek modelin optimal bir çözüme yakınsamasına yardımcı olur (bu teknik genellikle learning rate decay olarak adlandırılır).
• Günlüğe Kaydetme ve Görselleştirme: Callback'ler genellikle experiment tracking araçlarıyla entegre olmak için kullanılır. Metrikleri TensorBoard veya MLflow gibi panolara aktararak veri bilimcilerin loss functions ve performans grafiklerini gerçek zamanlı olarak görselleştirmesini sağlar.

Ultralytics YOLO ile Callback Uygulama#

Ultralytics kütüphanesi güçlü bir callback sistemini destekleyerek kullanıcıların YOLO26 gibi modellerin eğitimi sırasındaki olaylara bağlanmasına (hook) olanak tanır. Bu durum, özellikle özel günlük kaydına veya kontrol mantığına ihtiyaç duyan Ultralytics Platform üzerindeki iş akışlarını yöneten kullanıcılar için çok faydalıdır.

Python API kullanarak her eğitim epoch'unun sonunda bir mesaj yazdıran özel bir callback'in nasıl tanımlanacağına ve kaydedileceğine dair kısa bir örnek aşağıda verilmiştir:

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'ler vs. Hook'lar#

İlişkili olsalar da, callback'leri hooks öğelerinden ayırmak faydalıdır. PyTorch gibi çatılarda hook'lar genellikle ileri veya geri geçiş sırasında gradyanları ve çıktıları incelemek veya değiştirmek için belirli tensor işlemlerine veya sinir ağı katmanlarına bağlanan daha düşük seviyeli fonksiyonlardır. Buna karşılık callback'ler, matematiksel hesaplama grafiğinin kendisinden ziyade training loop olaylarına (başlangıç, bitiş, grup işleme) bağlı daha üst düzey soyutlamalardır.

Daha Fazla Okuma ve Kaynaklar#

Eğitim iş akışlarını nasıl optimize edeceğine dair anlayışını derinleştirmek isteyenler için hyperparameter tuning konusunu keşfetmek mantıklı bir sonraki adımdır. Ek olarak, object detection ve instance segmentation gibi temel computer vision (CV) görevlerini anlamak, callback'ler aracılığıyla hassas eğitim kontrolünün neden gerekli olduğu konusunda bağlam sağlayacaktır. Bu süreçlerin kurumsal düzeyde yönetimi için Ultralytics Platform, bu callback odaklı davranışların birçoğunu otomatikleştiren entegre çözümler sunar.