高级自定义

Ultralytics YOLO的命令行和Python接口都只是基础引擎执行器的高级抽象。让我们来看看Trainer引擎。

观看: 掌握Ultralytics YOLO: 高级定制

BaseTrainer

BaseTrainer包含通用的训练样板程序。它可以基于覆盖所需函数或操作进行任何任务的定制，只要遵循正确的格式即可。例如，您可以通过覆盖这些函数来支持您自己的自定义模型和数据加载器：

get_model(cfg, weights) - 构建要训练的模型的函数
get_dataloader() - 构建数据加载器的函数更多详情和源代码可以在BaseTrainer参考中找到

DetectionTrainer

以下是如何使用YOLO11 DetectionTrainer并对其进行定制的方法。

from ultralytics.models.yolo.detect import DetectionTrainer

trainer = DetectionTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # 获取最佳模型

定制DetectionTrainer

让我们定制训练器以训练一个不直接支持的自定义检测模型。您可以通过简单地重载现有的get_model功能来实现这一点：

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """加载给定配置和权重文件的自定义检测模型。"""
        ...


trainer = CustomTrainer(overrides={...})
trainer.train()

您现在意识到需要进一步定制训练器以：

自定义损失函数。
添加回调，在每10个epoch后将模型上传到您的Google Drive。以下是如何做到这一点：

from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel


class MyCustomModel(DetectionModel):
    def init_criterion(self):
        """初始化损失函数，并添加每10个epoch后将模型上传到Google Drive的回调。"""
        ...


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """返回配置了指定配置和权重的自定义检测模型实例。"""
        return MyCustomModel(...)


# 回调以上传模型权重
def log_model(trainer):
    """记录训练器使用的最后一个模型权重的路径。"""
    last_weight_path = trainer.last
    print(last_weight_path)


trainer = CustomTrainer(overrides={...})
trainer.add_callback("on_train_epoch_end", log_model)  # 添加到现有回调
trainer.train()

要了解更多关于回调触发事件和入口点的信息，请查看我们的回调指南

其他引擎组件

其他组件如验证器和预测器也可以类似地进行定制。有关这些的更多信息，请参阅参考部分。

常见问题

如何为特定任务定制Ultralytics YOLO11 DetectionTrainer？

要为特定任务定制Ultralytics YOLO11 DetectionTrainer，您可以覆盖其方法以适应您的自定义模型和数据加载器。首先从DetectionTrainer继承，然后重新定义get_model等方法以实现您的自定义功能。以下是一个示例：

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """加载给定配置和权重文件的自定义检测模型。"""
        ...


trainer = CustomTrainer(overrides={...})
trainer.train()
trained_model = trainer.best  # 获取最佳模型

对于进一步的定制，如更改损失函数或添加回调，您可以参考我们的回调指南。

Ultralytics YOLO11中的BaseTrainer的关键组件是什么？

Ultralytics YOLO11中的BaseTrainer作为训练程序的基础，可以通过覆盖其通用方法进行各种任务的定制。关键组件包括：

get_model(cfg, weights) 构建要训练的模型。
get_dataloader() 构建数据加载器。有关自定义和源代码的更多详细信息，请参阅 BaseTrainer 参考。

如何为 Ultralytics YOLO11 DetectionTrainer 添加回调？

您可以在 Ultralytics YOLO11 DetectionTrainer 中添加回调以监控和修改训练过程。例如，以下是如何添加一个回调以在每次训练 epoch 后记录模型权重的示例：

from ultralytics.models.yolo.detect import DetectionTrainer


# 回调以上传模型权重
def log_model(trainer):
    """记录训练器使用的最后一个模型权重的路径。"""
    last_weight_path = trainer.last
    print(last_weight_path)


trainer = DetectionTrainer(overrides={...})
trainer.add_callback("on_train_epoch_end", log_model)  # 添加到现有回调中
trainer.train()

有关回调事件和入口点的更多详细信息，请参阅我们的回调指南。

为什么我应该使用 Ultralytics YOLO11 进行模型训练？

Ultralytics YOLO11 在强大的引擎执行器上提供了高层次的抽象，非常适合快速开发和定制。主要优势包括：

易用性：命令行和 Python 接口简化了复杂任务。
性能：针对实时目标检测和各种视觉 AI 应用进行了优化。
定制化：易于扩展以支持自定义模型、损失函数和数据加载器。

通过访问 Ultralytics YOLO 了解更多关于 YOLO11 的功能。

我可以将 Ultralytics YOLO11 DetectionTrainer 用于非标准模型吗？

是的，Ultralytics YOLO11 DetectionTrainer 非常灵活，可以定制用于非标准模型。通过继承 DetectionTrainer，您可以重载不同的方法以支持您的特定模型需求。以下是一个简单的示例：

from ultralytics.models.yolo.detect import DetectionTrainer


class CustomDetectionTrainer(DetectionTrainer):
    def get_model(self, cfg, weights):
        """加载自定义检测模型。"""
        ...


trainer = CustomDetectionTrainer(overrides={...})
trainer.train()