YAML

يُعد YAML (YAML Ain't Markup Language) معياراً لتسلسل البيانات يسهل على البشر قراءته، ويُستخدم على نطاق واسع في صناعة البرمجيات لكتابة ملفات الإعدادات. على عكس لغات الترميز الأكثر تعقيداً، يعطي YAML الأولوية للتنسيق النظيف وسهولة القراءة، مما يجعله خياراً ممتازاً للمطورين وعلماء البيانات الذين يحتاجون إلى فحص المعلمات أو تعديلها بسرعة. يعتمد هيكله البسيط على المسافات البادئة بدلاً من الأقواس أو العلامات، مما يسمح للمستخدمين بتحديد هياكل البيانات الهرمية مثل القوائم والقواميس بأقل قدر من الفوضى البصرية. في سياق الذكاء الاصطناعي وتعلم الآلة، يعمل YAML كجسر حيوي بين نية الإنسان وتنفيذ الآلة، حيث يخزن كل شيء بدءاً من مسارات مجموعات البيانات وصولاً إلى إعدادات ضبط المعلمات الفائقة بتنسيق يسهل التحكم في إصداراته ومشاركته.

Link to this sectionالأهمية في تعلم الآلة#

في عمليات تعلم الآلة (MLOps) الحديثة، يعد الحفاظ على تجارب قابلة للتكرار ومنظمة أمراً ضرورياً. تعمل ملفات YAML كمخططات لهذه التجارب، حيث تغلف جميع تفاصيل الإعداد الضرورية في مستند واحد. تعتمد أطر عمل مثل نماذج Ultralytics YOLO26 بشكل كبير على ملفات الإعداد هذه لتحديد بنى النماذج وبروتوكولات التدريب.

عند تدريب نموذج رؤية حاسوبية، غالباً ما تحتاج إلى تحديد مكان وجود بيانات التدريب، وعدد الفئات التي تكتشفها، وأسماء تلك الفئات. بدلاً من ترميز هذه القيم برمجياً في نصوص Python، مما قد يؤدي إلى قواعد بيانات برمجية فوضوية، يمكنك فصل هذه البيانات في ملف YAML. يسمح هذا الفصل في المهام للباحثين بتبديل مجموعات البيانات أو تعديل معدلات التعلم دون المساس بقاعدة البيانات البرمجية الأساسية، مما يسهل تتبع التجارب والتعاون بشكل أفضل.

Link to this sectionYAML مقابل JSON مقابل XML#

على الرغم من مقارنة YAML غالباً بـ JSON (JavaScript Object Notation) و XML (eXtensible Markup Language)، إلا أنها تخدم أغراضاً مختلفة قليلاً في نظام الذكاء الاصطناعي البيئي.

• YAML: الأفضل لملفات الإعدادات التي يكتبها البشر ويقرؤونها. وهو يدعم التعليقات، التي تعد حاسمة لتوثيق أسباب اختيار أوزان نموذج معينة أو معلمات محددة.
• JSON: مثالي للتواصل بين الآلات، مثل واجهات REST API أو حفظ نتائج الاستدلال. هو أكثر صرامة وأصعب على البشر في التعديل يدوياً بسبب الحاجة إلى علامات الاقتباس والأقواس، كما يفتقر إلى دعم التعليقات.
• XML: A more verbose format often used in legacy systems or complex document storage (like Pascal VOC annotations). It is generally considered too heavy for simple configuration tasks in modern deep learning workflows.

Link to this sectionتطبيقات العالم الحقيقي في الذكاء الاصطناعي#

يجد YAML مكانه في العديد من المراحل الحرجة من دورة حياة تطوير الذكاء الاصطناعي:

• إعداد مجموعة البيانات: عند العمل مع مجموعات بيانات كشف الأشياء مثل COCO أو البيانات المخصصة على Ultralytics Platform، عادة ما يحدد ملف YAML (data.yaml) مسارات الدليل لمجموعات التدريب والتحقق والاختبار. كما يقوم أيضاً بربط فهارس الفئات (0، 1، 2) بأسماء الفئات (شخص، دراجة، سيارة)، مما يضمن فهم النموذج لهيكل البيانات.
• خطوط أنابيب CI/CD: في سير عمل التكامل المستمر، تستخدم أدوات مثل GitHub Actions ملفات YAML لتحديد خطوات الأتمتة. قد يتضمن ذلك تشغيل اختبارات الوحدة على بنية شبكة عصبية جديدة أو نشر نموذج في حاوية Docker كلما تم دفع الكود إلى مستودع ما.

Link to this sectionمثال: إعداد تشغيل تدريب YOLO#

يوضح المثال التالي كيف يعمل ملف YAML النموذجي كواجهة لمجموعة بيانات لتدريب نموذج YOLO26. تُظهر قصاصة Python أدناه كيفية استهلاك مكتبة Ultralytics لهذا الملف لبدء عملية التدريب.

1. ملف coco8.yaml (المفهوم): سيحتوي هذا الملف على مسارات للصور وقائمة بأسماء الفئات.

path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')

# Classes
names:
  0: person
  1: bicycle
  2: car
  ...

2. استخدام Python: يقرأ الكود الإعدادات ويبدأ التدريب باستخدام المعلمات المحددة.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Train the model using the dataset configuration defined in the YAML file
# The 'data' argument points directly to the YAML file
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Link to this sectionالمفاهيم الأساسية للصياغة#

يساعد فهم بضع قواعد صياغة أساسية في تجنب الأخطاء الشائعة، مثل ScannerError أو ParserError، والتي تحدث غالباً بسبب مسافات بادئة غير صحيحة.

• المسافات البادئة: يستخدم YAML المسافات البيضاء (المسافات، وليس علامات التبويب) للإشارة إلى الهيكل. يجب أن تكون العناصر المتداخلة ذات مسافات بادئة أبعد من عناصرها الأصلية.
• أزواج المفتاح-القيمة: يتم تخزين البيانات كـ key: value. على سبيل المثال، epochs: 100 تحدد عدد دورات التدريب.
• القوائم: يشار إلى التسلسلات بواسطة شرطة -. هذا مفيد لتحديد قوائم خطوات زيادة البيانات أو مصادر إدخال متعددة.
• التعليقات: يتم تجاهل الأسطر التي تبدأ بـ # بواسطة المحلل اللغوي، مما يسمح لك بترك ملاحظات حول معلمات فائقة معينة مباشرة في الملف.

من خلال إتقان YAML، يمكن للممارسين تبسيط سير عمل تدريب النماذج الخاص بهم، وتقليل أخطاء الإعداد، وضمان بقاء مشاريع الذكاء الاصطناعي الخاصة بهم قابلة للتوسع وسهلة الصيانة.