回调

回调如何工作

回调基于事件驱动系统运行。它们通常以列表形式传递给主函数，如 train method within a 机器学习 框架。框架的设计目的是在特定的时间点（称为 "事件"）调用这些回调。常见的事件包括：整个培训过程的开始或结束、一个培训项目的开始或结束、一个培训项目的开始或结束、一个培训项目的开始或结束、一个培训项目的开始或结束。 纪元甚至在处理单个 批量大小 的数据。当特定事件发生时，框架会执行相应的回调函数，通常会传递当前状态的相关信息，如当前的纪元号、 损失函数 值或性能指标作为参数。这样，回调程序就能根据实时信息与正在进行的流程进行动态交互，并对其产生影响。

主要应用和使用案例

回调的用途非常广泛，可以实现有效的模型开发和培训所必需的各种功能：

• 监控模型性能：在整个训练过程中跟踪训练数据和验证数据的损失和准确性等指标。结果可记录到控制台、保存到文件，或使用TensorBoard 等工具进行可视化。
• 模型检查点：定期自动保存模型权重，通常只保存基于所选指标（如验证准确率或损失）的最佳性能版本。这样就能确保在训练中断或性能下降时不会丢失最佳模型。
• 早期停止：监控某个性能指标（如验证损失），如果该指标在规定的时间内停止改善，则自动停止训练过程。这样既能防止过度拟合，又能节省计算资源。
• 动态调整：即时修改训练参数。一个常见的例子是根据训练进度动态调整学习率，通常在性能达到顶峰时降低学习率（学习率调度）。
• 日志和报告：将日志、指标和培训进度更新发送到外部监控系统或实验跟踪平台，如 Weights & Biases或Ultralytics HUB 等外部监控系统或实验跟踪平台，帮助开展MLOps实践。
• 资源管理：实施自定义逻辑来管理系统资源，例如清除 GPU内存缓存。更多建议，请参阅我们的 "模型训练技巧"指南。

实践案例

1. 保存最佳物体检测模型在训练 Ultralytics YOLO模型时，可能会使用ModelCheckpoint 回调。该回调会监控验证数据集上的平均精度（mAP）。只有当 mAP 分数比之前保存的最佳分数有所提高时，它才会将模型的权重保存到文件中，从而确保您从训练会话中保留最准确的模型。在我们的模型比较页面上比较不同YOLO 模型的性能。
2. 防止图像分类中的过度拟合：想象一下在ImageNet 这样的复杂数据集上训练图像分类模型的情景。可以配置一个 EarlyStopping 回调来监控验证损失。如果验证损失连续 10 个 epochs 没有减少，回调就会自动停止训练。这样可以防止模型过度拟合训练数据，节省大量训练时间和成本。进一步探索图像分类任务。

使用回调的好处

将回调集成到机器学习工作流程中具有几个显著优势：

• 自动化：回调功能可自动执行保存模型、记录指标和调整参数等重复性任务，从而减少在长时间训练运行过程中的人工干预需求。
• 灵活定制：它们允许开发人员在不修改核心框架代码的情况下，在训练循环中插入自定义逻辑，从而实现高度定制的训练行为。这对于复杂实验或超参数调整尤其有用。
• 效率：早期停止和动态学习率调整等回调功能可以节省计算资源，加快收敛速度，从而提高训练效率。
• 洞察和监测：通过详细记录和可视化随时间变化的指标，它们能深入洞察培训动态。
• 可重复性：通过规范训练过程中的操作（如保存标准、停止条件），回调有助于提高机器学习实验的可重复性。

Keras和PyTorch Lightning等框架提供了大量内置回调集合和用于创建自定义回调的直接接口。Ultralytics 还在其训练管道内部利用回调，从而提高了工具的鲁棒性和用户友好性，例如 Ultralytics YOLO11和Ultralytics HUB平台等工具的稳健性和用户友好性。请查阅Ultralytics 文档，了解与YOLO 模型训练相关的更多具体示例。