Belajar YOLO - Custom Training Loop & Callbacks

#Pendahuluan

Setelah tracking di episode 16, kita kembali ke sisi training untuk membuka kontrol terakhir yang belum kalian miliki: menyisipkan logika kustom di tengah siklus hidup Ultralytics — tanpa fork library, tanpa menulis ulang training loop.

Kebutuhan ini muncul lebih cepat dari dugaan: tim minta notifikasi Slack tiap epoch selesai, manajemen ingin grafik mAP real-time di W&B, atau kalian perlu snapshot otomatis ke storage saat mAP menembus target. Semuanya adalah pekerjaan hook — dan Ultralytics menyediakan sistem callback yang rapi untuk itu.

#Arsitektur Callback Ultralytics

Training Ultralytics memancarkan event pada titik-titik penting; callback kalian "menempel" di event tersebut:

Cara paling bersih memasangnya: dekorator @hub tidak diperlukan — cukup daftarkan fungsi ke trainer lewat argumen callbacks:

from ultralytics import YOLO
 
def on_epoch_end(trainer):
    e = trainer.epoch
    loss = trainer.loss_items.mean().item() if trainer.loss_items else -1
    print(f"[HOOK] epoch {e + 1} selesai | loss rata-rata {loss:.3f}")
 
def on_fit_end(trainer):
    print(f"[HOOK] training selesai! best.pt: {trainer.best}")
 
model = YOLO("yolo26n.pt")
model.add_callback("on_train_epoch_end", on_epoch_end)
model.add_callback("on_train_end", on_fit_end)
 
model.train(data="proyek-helm/data.yaml", epochs=10, name="cb-demo")

Objek trainer yang diterima callback adalah pintu ke semua state: trainer.epoch, trainer.loss_items, trainer.best, sampai trainer.metrics. Untuk event inference ada pasangannya (on_predict_start, dsb.), sehingga pola ini juga berlaku saat serving.

#Hook yang Paling Sering Dipakai

#Integrasi W&B / MLflow

Untuk experiment tracking serius, dua jalur tersedia:

#Jalur Cepat: Bawaan Ultralytics

Ultralytics punya integrasi siap pakai — cukup install package-nya:

Aktifkan via environment variableAtau MLflow lokal

pip install wandb
export WANDB_API_KEY=xxxxx
yolo detect train model=yolo26n.pt data=proyek-helm/data.yaml epochs=30

pip install mlflow
export MLFLOW_TRACKING_URI=http://localhost:5000
# semua metrik run otomatis terkirim saat model.train()

Dengan integrasi aktif, tiap run mengirim kurva loss, mAP per epoch, config lengkap, bahkan artefak best.pt — tanpa satu baris kode callback pun.

#Jalur Fleksibel: Callback Kustom

Kalau butuh kendali penuh (misal hanya metrik tertentu, atau platform internal):

import mlflow
from ultralytics import YOLO
 
mlflow.set_experiment("proyek-helm")
 
def log_metrics(trainer):
    metrics = trainer.metrics # dict mAP50, mAP50-95, dll.
    mlflow.log_metrics(
        {k: float(v) for k, v in metrics.items()},
        step=trainer.epoch,
    )
 
model = YOLO("yolo26n.pt")
model.add_callback("on_fit_epoch_end", log_metrics)
mlflow.log_params({"epochs": 40, "imgsz": 640, "data": "helm-v2"})
model.train(data="proyek-helm/data.yaml", epochs=40)

Perbedaan penting kedua jalur: integrasi bawaan = nol effort tapi format tetapannya bawaan; callback kustom = sedikit kode tapi kalian menentukan persis apa yang dicatat. Untuk tim dengan standar tracking sendiri, jalur kedua adalah jalan yang benar — fondasinya sudah kita siapkan lewat disiplin eksperimen episode 15.

#Modifikasi Perilaku Training

Callback juga dipakai untuk mengubah jalannya training, bukan cuma mencatat:

from ultralytics import YOLO
 
TARGET_MAP = 0.85
 
def gate_target(trainer):
    map5095 = float(trainer.metrics.get("metrics/mAP50-95(B)", 0))
    if map5095 >= TARGET_MAP:
        trainer.stop_training = True # sinyal stop elegan
        print(f"Target {TARGET_MAP} tercapai ({map5095:.3f}) — berhenti awal")
 
model = YOLO("yolo26n.pt")
model.add_callback("on_fit_epoch_end", gate_target)
model.train(data="proyek-helm/data.yaml", epochs=100)

Contoh lain yang lazim di produksi: auto-upload checkpoint ke S3 di on_model_save, kirim webhook Discord/Slack di on_train_end, atau dump sample prediksi tiap N epoch untuk review visual. Modifikasi loss function secara dalam (mengganti komponen CIoU/BCE) secara teknis mungkin lewat subclassing trainer — tapi itu ranah riset, bukan produksi; hampir selalu ada parameter resmi yang lebih aman.

#Pitfall Callback

• Salah nama event: "on_train_epoch_end" vs "on_fit_epoch_end" — keduanya ada dan momennya beda; cek daftar resmi sebelum debug kenapa hook tak terpanggil.
• Callback lambat membunuh throughput: logging berat sinkron di tiap epoch menunda batch berikutnya; kirim async atau batch-kan.
• State global bocor antar run: variabel modul-level di callback tidak reset otomatis — hitungan dari run sebelumnya bisa meracuni run berikutnya dalam loop eksperimen.

#Penutup

Rangkuman episode ini:

• Callback Ultralytics = hook di event siklus hidup (on_train_epoch_end, on_model_save, on_train_end) lewat model.add_callback.
• Objek trainer memberi akses penuh ke state run: epoch, loss, metrics, path best.
• Integrasi W&B/MLflow bawaan untuk hasil cepat; callback kustom untuk kendali penuh — sadari biaya maintenance-nya.
• Callback bisa mengubah perilaku (stop_training, upload artefak), bukan hanya mencatat.
• Hindari over-engineering: mulai dari fitur bawaan sebelum menulis infrastruktur sendiri.

Di episode 18 kita keluar dari zona nyaman PyTorch: export model ke ONNX, TensorRT, CoreML, dan OpenVINO — cara membaca peta 20+ format, jebakan engine TensorRT yang tidak portable, dan protokol verifikasi agar hasil export identik dengan asalnya. Sampai jumpa!