概念

概述

在深入研究数据准备和模型训练之前，理解使 LuxonisTrain 具有高度灵活性和可定制性的核心概念至关重要。本节将引导您了解配置和自定义的基础知识。

配置

LuxonisTrain 使用 YAML 配置文件来定义训练管道的各个方面，从模型架构到优化设置，从而在配置训练过程方面提供了灵活性。本页将指导您了解各种可用的配置选项，确保您可以根据自己的需求定制工具。有关所有参数、其可能值和默认设置的完整列表，请访问 LuxonisTrain 配置参考。

配置组件

Model: 定义模型的架构，包括节点、损失函数、可视化器和指标。
Loader: 通过选择适当的数据集来配置数据加载。有关如何创建数据集的更多详细信息，请参阅数据准备部分。
Trainer: 指定训练参数，包括批大小、周期数、预处理（归一化、增强）、优化器、调度器、回调函数等。有关更多详细信息，请参阅训练部分。
Tracker: 监视和记录训练指标以供分析。有关更多详细信息，请参阅跟踪部分。
Exporter: 定义训练模型的导出、存档和转换设置。有关更多详细信息，请参阅导出部分。
Tuner: 调整超参数以优化模型性能。有关更多详细信息，请参阅超参数调整部分。

示例配置文件

这是一个 YAML 配置文件示例，让您了解如何构建 LuxonisTrain 设置：

Yaml

1model:
2  name: model_name
3
4  # 使用预定义的检测模型而不是手动定义架构
5  predefined_model:
6    name: DetectionModel
7    params:
8      variant: light
9      loss_params:
10        iou_type: "siou"
11        n_warmup_epochs: 0
12
13# 数据集配置：从 Roboflow 下载并解析 COCO 数据集
14loader:
15  params:
16    dataset_name: coco_test
17    dataset_dir: "roboflow://team-roboflow/coco-128/2/coco"
18
19trainer:
20  batch_size: 8
21  epochs: 200
22  n_workers: 8
23  validation_interval: 10
24
25  preprocessing:
26    train_image_size: [384, 384]
27
28    # 使用 ImageNet 标准进行图像归一化
29    normalize:
30      active: true
31
32    # 使用 Albumentations 库进行图像增强
33    augmentations:
34      - name: Defocus
35      - name: Sharpen
36      - name: Flip
37
38  callbacks:
39    - name: ConvertOnTrainEnd
40    - name: TestOnTrainEnd
41
42  optimizer:
43    name: SGD
44    params:
45      lr: 0.02
46
47  scheduler:
48    name: ConstantLR

上面示例中的数据集是使用 LuxonisML 解析器解析的。要了解有关它的更多信息，请参阅 LuxonisParser 文档。此示例演示了预定义检测模型的用法，您可以在此处进一步探索：here。

预定义模型

您无需从头开始设计架构；您可以使用基于您要解决的任务的预定义模型。这些模型经过良好测试，速度快且准确。您可以在此处查看所有模型：here。

自定义

LuxonisTrain 的模块化架构允许您自定义和扩展框架以满足您的特定需求。您可以自定义加载器、节点、损失函数、指标、可视化器、回调函数、优化器和调度器等组件。此外，训练策略可以完全自定义，允许您为不同的参数组实现不同的学习率，将各种调度器应用于不同的权重，并创建复杂的预热阶段。这种细粒度的控制实现了复杂优化策略，可以显著提高模型收敛性和性能。

自定义组件

要实现自定义组件，请继承相应的基类并进行注册。以下是一些示例：

示例：自定义回调函数

Python

1import lightning.pytorch as pl
2
3from luxonis_train import LuxonisLightningModule
4from luxonis_train.registry import CALLBACKS
5
6@CALLBACKS.register()
7class CustomCallback(pl.Callback):
8    def __init__(self, message: str, **kwargs):
9        super().__init__(**kwargs)
10        self.message = message
11
12    # 将在每个训练周期结束时调用。
13    # 有关更多回调方法，请参阅 PyTorch Lightning 文档。
14    def on_train_epoch_end(
15        self,
16        trainer: pl.Trainer,
17        pl_module: LuxonisLightningModule,
18    ) -> None:
19        print(self.message)

示例：自定义损失函数

Python

1from torch import Tensor
2
3from luxonis_train import BaseLoss, Tasks
4
5# `BaseNode`、`BaseLoss`、`BaseMetric`
6# 和 `BaseVisualizer` 的子类会自动注册。
7class CustomLoss(BaseLoss):
8    supported_tasks = [Tasks.CLASSIFICATION, Tasks.SEGMENTATION]
9
10    def __init__(self, smoothing: float, **kwargs):
11        super().__init__(**kwargs)
12        self.smoothing = smoothing
13
14    def forward(self, predictions: Tensor, targets: Tensor) -> Tensor:
15        # 在此处实现实际的损失逻辑。
16        value = predictions.sum() * self.smoothing
17        return value.abs()

在配置中使用自定义组件

要在训练配置中使用自定义组件，请在 YAML 文件中指定组件名称和参数。以下是一个示例：

Yaml

1model:
2  nodes:
3  - name: SegmentationHead
4    losses:
5    - name: CustomLoss
6      params:
7        smoothing: 0.0001
8
9trainer:
10  callbacks:
11    - name: CustomCallback
12      params:
13        lr: "Hello from the custom callback!"

将自定义组件包含在训练中

创建自定义组件后，需要在开始训练之前导入它们。有两种方法可以实现此目的：

使用 CLI

Command Line

1luxonis_train --source custom_components.py train --config config.yaml

使用 Python API

Python

1# 首先导入您的自定义组件
2from custom_components import *
3from luxonis_train import LuxonisModel
4
5model = LuxonisModel("config.yaml")
6model.train()

这两种方法都可以确保您的自定义组件在训练过程中被注册并可用。

本页目录

概念View as Markdown

概述

配置

配置组件

示例配置文件

预定义模型

自定义

自定义组件

示例：自定义回调函数

示例：自定义损失函数

在配置中使用自定义组件

将自定义组件包含在训练中

使用 CLI

使用 Python API

概念