回调

在机器学习中，回调是一种自动脚本或函数，在模型训练过程中的特定时刻执行。可以将其视为训练框架在预定义阶段（例如在一个历元、一个训练批次或整个训练会话的开始或结束时）遵循的一组指令。回调为开发人员提供了一种强大的机制，使他们无需更改模型或训练循环的核心代码，即可对训练的各个方面进行监测、控制和自动化。它们是构建高效、稳健的机器学习（ML）管道的重要工具。

回调如何工作

当你训练一个 神经网络，该过程涉及对一个 数据集 多个历时。训练循环管理这一过程，包括向模型输入数据、计算 损失函数并更新 模型权重 通过 反向传播.回调会在特定事件发生时钩住这个循环。例如，一个 on_epoch_end 回调将在每个纪元结束后精确执行其代码。这样就可以进行动态干预，例如调整 学习率在这种情况下，用户可以选择保存模型的最佳版本，或者在性能达到顶峰时提前停止训练。这种自动化是结构良好的 机器学习工作流程.

实践案例

回调被广泛应用于各种计算机视觉（CV）任务中，以提高训练效果。

1. 保存最佳物体检测模型：在训练用于物体检测的Ultralytics YOLO模型时，可以使用 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，从而确保您保留最精确的模型。您可以在我们的模型比较页面上查看不同模型的表现。
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。如果验证损失在设定的时间内没有减少，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计算成本。您可以进一步了解图像分类任务及其实现方法。

回调与其他概念

将回调与相关术语区分开来很有帮助：

• 函数：虽然回调是函数的一种，但它的特点是作为参数传递给另一个函数（训练循环），并在特定时间由该函数内部调用。标准函数通常由程序员直接调用。
• 钩子：在软件工程中，"钩子 "是一个更笼统的术语，指代码中允许插入自定义逻辑的位置。机器学习框架中的回调是钩子概念的具体实现，专门针对模型训练生命周期中的事件而设计。
• 超参数调整：这是为模型寻找最佳超参数（如学习率或批量大小）的过程。回调可以协助 超参数调整，例如，通过执行学习率调度程序，但回调本身并不是调整过程。调整过程是更高层次的搜索或优化过程。

使用回调的好处

在培训过程中整合回调功能有几个显著的优势：

• 自动化：回调可自动执行保存模型、使用TensorBoard 等工具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，从而实现高度定制化的训练行为。这对于复杂实验或实施高级训练技术尤为有用。
• 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，加快模型收敛速度，从而提高训练效率。
• 洞察和监控：它们通过详细记录和可视化随时间变化的指标，深入洞察训练动态，这对模型评估至关重要。
• 可重复性：通过对训练过程中的操作（如保存标准、停止条件）进行标准化，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 还在其内部培训管道中使用回调，从而提高了Ultralytics YOLO11和Ultralytics HUB平台等工具的鲁棒性和用户友好性。请查阅Ultralytics 文档，了解与 YOLO 模型训练相关的更多具体示例。