Trainer

Trainer обучает одну или несколько моделей для отдельного шага пайплайна. Перебирает записи ModelCandidate (или готовые экземпляры nn.Module), управляет контрольными точками, журналирует прогресс и формирует StepTrainResult.

Перед началом обучения Trainer определяет тип action шага и выбирает реализацию из hyppopipe.train.tasks — для классификации, сегментации и локализации отличаются загрузчики данных и расчёт loss.

TrainingConfig¶

Неизменяемый dataclass с гиперпараметрами:

epochs, batch_size, val_batch_size, lr, device
optimizer_name / optimizer_kwargs или пользовательский optimizer_factory
loss и monitor (см. hyppopipe.train.objectives)
early_stopping (EarlyStoppingConfig)

Метод copy_with(epochs=50) создаёт конфигурацию для отдельного шага на основе общего шаблона.

ModelCandidate¶

Оборачивает фабрику модели torchvision и один или несколько WeightsEnum, чтобы сравнивать архитектуры и предобученные веса в одном вызове train() без дублирования ноутбуков.

Экспорт¶

TrainResult.export(path) записывает manifest.json, веса (.pth) и папку reports/ с training_history.json, loss_curves.png и monitor_curves.png.

from torchvision.models.detection import (
    FasterRCNN_MobileNet_V3_Large_FPN_Weights,
    fasterrcnn_mobilenet_v3_large_fpn,
)

from hyppopipe.data.dataset import YAMLDataset
from hyppopipe.pipeline import Pipeline, Step
from hyppopipe.pipeline.image.localization import ImageLocalizer
from hyppopipe.train import ModelCandidate, Trainer, TrainingConfig

ds = YAMLDataset("data/brain_tumor/data.yaml")
splits = ds.as_split_data()

pipeline = Pipeline({"localize": Step(ImageLocalizer())})

result = pipeline.train(
    step_config={
        "localize": Trainer(
            data=splits,
            config=TrainingConfig(epochs=15, batch_size=4, lr=5e-4),
            model_candidates=[
                ModelCandidate(
                    fasterrcnn_mobilenet_v3_large_fpn,
                    FasterRCNN_MobileNet_V3_Large_FPN_Weights.DEFAULT,
                ),
            ],
        ),
    },
)

Документация¶

Trains one or more models for a pipeline step action.

Example

Train a classification step on a split dataset::

trainer = Trainer([resnet50], data=splits, config=TrainingConfig(epochs=5))
step_result = trainer.train(step=classify_step, step_name="classify")

`init(model_candidates, data=None, *, config=None, transforms=None, loss=None, monitor=None, ignore_fails=False)` ¶

Configure models and defaults for :meth:train.

Parameters:

Name	Type	Description	Default
`model_candidates`	`Sequence[Module \| ModelCandidate]`	Ready modules and/or :class:`ModelCandidate` factories.	required
`data`	`SplitData \| None`	Optional default :class:`~hyppopipe.data.dataset.splits.SplitData`.	`None`
`config`	`TrainingConfig \| None`	Training hyperparameters; defaults to a new :class:`TrainingConfig`.	`None`
`transforms`	`Any \| None`	Task-specific train/val data transforms (see `hyppopipe.train.transforms`).	`None`
`loss`	`LossFactory \| None`	Loss override; falls back to `config.loss`, then the task default.	`None`
`monitor`	`MonitorSpec \| None`	Validation monitor for early stopping; falls back to `config.monitor`, then validation loss (minimize).	`None`
`ignore_fails`	`bool`	If True, log and skip failed candidates instead of raising.	`False`

`train(*, step, step_name, config=None, log_to=None)` ¶

Train all model candidates for one pipeline step.

Parameters:

Name	Type	Description	Default
`step`	`Step`	Step whose `action` selects the :class:`~hyppopipe.train.tasks.base.TrainingTask`.	required
`step_name`	`str`	Key used in logs and result artifacts.	required
`config`	`TrainingConfig \| None`	Optional override of `self.config` for this call.	`None`
`log_to`	`Path \| str \| LogConfig \| None`	Per-run logging configuration.	`None`

Returns:

Name	Type	Description
`One`	`StepTrainResult`	class:`~hyppopipe.train.result.ModelRunResult` per successful candidate.

Raises:

Type	Description
`ValueError`	If no training data is available.