YAML

YAML، وهو اختصار لـ "YAML Ain't Markup Language"، هو معيار تسلسل بيانات يمكن للبشر قراءته ويستخدم لكتابة ملفات التكوين ونقل البيانات بين الأنظمة. ويعطي تصميمها الأولوية للوضوح والبساطة، مما يسمح للمطورين وعلماء البيانات بتعريف هياكل البيانات المعقدة بطريقة سهلة القراءة والكتابة. على عكس التنسيقات الأكثر إسهابًا، يستخدم YAML المسافة البادئة للدلالة على البنية، مما ينتج عنه ملفات نظيفة وبديهية مثالية لإدارة الإعدادات في مشاريع البرمجيات، بما في ذلك تلك الموجودة في التعلم الآلي (ML). يمكن العثور على المواصفات والموارد الرسمية على yaml.org.

الدور والتطبيق في الذكاء الاصطناعي والتعلم الآلي

في سياق الذكاء الاصطناعي (AI)، يعد YAML العمود الفقري لإدارة التكوين، حيث يلعب دورًا حاسمًا في ضمان قابلية التكرار وتبسيط التجارب. غالبًا ما تتضمن مشاريع التعلم العميق (DL) العديد من الإعدادات، بدءًا من بنية النموذج إلى معلمات التدريب. يسمح تخزين هذه الإعدادات في ملف YAML بتتبع الإعدادات التجريبية وتعديلها ومشاركتها بسهولة. يمكنك استكشاف ورقة غش بناء جملة YAML للحصول على مرجع سريع.

هناك مثالان شائعان في العالم الحقيقي في تطبيقات الذكاء الاصطناعي:

1. تكوين مجموعة البيانات: قبل تدريب النموذج، تحتاج إلى تحديد مجموعة البيانات. يحدد ملف YAML المسار إلى صور التدريب والتحقق من الصحة وعدد فئات الكائنات وأسماء تلك الفئات. يستخدم هذا النهج من قبل Ultralytics لإدارة مجموعات البيانات مثل COCO. وهذا يضمن أن النموذج يعرف بالضبط أين يجد بياناته وما يتوقع أن يتعلمه.
2. التدريب وتكوين المعامل الفائق: يعد ملف YAML مثاليًا لتحديد جميع المعلمات اللازمة لجلسة تدريب. يتضمن ذلك تحديد بنية النموذج (على سبيل المثال, YOLO11n), حجم الدُفعة, معدل التعلم، عدد الحقب الزمنيةوإعدادات زيادة البيانات. يتيح إضفاء الطابع المركزي على هذه الإعدادات ضبط البارامتر الفائق ويجعل من السهل تكرار التجارب. إن وثائق Ultralytics أمثلة مفصلة لملفات التكوين هذه.

YAML مقابل تنسيقات البيانات الأخرى

غالبًا ما تتم مقارنة YAML بتنسيقات تسلسل البيانات الأخرى مثل JSON و XML.

• YAML مقابل JSON: على الرغم من التشابه الوظيفي بين YAML و JSON، إلا أن YAML غالبًا ما يُفضَّل استخدام YAML لملفات التكوين نظرًا لسهولة قراءتها الفائقة. فهو يستغني عن الأقواس والفاصلات لصالح المسافة البادئة، والأهم من ذلك أنه يدعم التعليقات التي لا تقدر بثمن لتوثيق خيارات التكوين.
• YAML مقابل XML: بالمقارنة مع XML (لغة الترميز القابلة للتكيف)، فإن YAML أقل إسهابًا بكثير. إن استخدام XML لعلامات الفتح والإغلاق يجعل ملفاتها أكبر حجمًا وأكثر صعوبة على البشر لتحليلها بسرعة، في حين أن بناء YAML البسيط مصمم للتحرير المباشر.

النظام البيئي الأوسع والأدوات

تمتد فائدة YAML إلى ما هو أبعد من الرؤية الحاسوبية. فهو مكوّن أساسي في عالم DevOps، حيث تستخدمه أدوات مثل Kubernetes لتحديد عمليات تنسيق الحاويات و Ansible لأتمتة تشغيل تكنولوجيا المعلومات. وغالبًا ما يشار إلى هذا المفهوم باسم التهيئة كرمز (CaC).

بالنسبة للمطوّرين الذين يستخدمون Python، فإن مكتبة PyYAML هي أداة شائعة لتحليل بيانات YAML وتوليدها. لتجنب أخطاء بناء الجملة، والتي قد تكون شائعة بسبب حساسية المسافة البادئة، فإن استخدام أداة التحقق من صحة YAML هو أفضل الممارسات الموصى بها. هذا النظام البيئي من الأدوات يجعل YAML خيارًا قويًا لإدارة دورة حياة MLOps بأكملها، بدءًا من الإعداد الأولي في دفتر Jupyter Notebook إلى نشر النموذج على نطاق واسع باستخدام Docker وخطوط أنابيب CI / CD مع أدوات مثل GitHub Actions. كما تعمل سهولة إدارة التكوين أيضًا على تبسيط التكامل مع منصات مثل Ultralytics HUB للحصول على تجربة تدريب ونشر سلسة.