YAML

「YAML Ain't Markup Language」の頭字語であるYAMLは、構成ファイルの記述やシステム間でのデータ伝送に使用される、人間が判読できるデータシリアライゼーション標準です。その設計は、明瞭さと簡潔さを優先しており、開発者やデータサイエンティストが、読み書きが容易な方法で複雑なデータ構造を定義できるようにします。より冗長な形式とは異なり、YAMLはインデントを使用して構造を示すため、クリーンで直感的なファイルとなり、機械学習（ML）を含むソフトウェアプロジェクトの設定を管理するのに理想的です。公式仕様とリソースは、yaml.orgにあります。

AIとMLにおける役割と応用

人工知能（AI）の分野において、YAMLは構成管理のバックボーンであり、再現性を確保し、実験を簡素化する上で重要な役割を果たします。深層学習（DL）プロジェクトでは、モデルアーキテクチャからトレーニングパラメータまで、多数の設定が必要になることがよくあります。これらの設定をYAMLファイルに保存することで、実験設定の追跡、変更、共有が容易になります。クイックリファレンスとして、YAML構文チートシートを参照できます。

AIアプリケーションにおける一般的な実世界の例を2つご紹介します。

1. データセットの構成:モデルをトレーニングする前に、データセットを定義する必要があります。YAMLファイルは、トレーニング画像と検証画像のパス、オブジェクトクラスの数、およびそれらのクラスの名前を指定します。このアプローチは、UltralyticsがCOCOのようなデータセットを管理するために使用されます。これにより、モデルはデータの場所と学習内容を正確に把握できます。
2. トレーニングとハイパーパラメータ構成YAMLファイルは、トレーニングセッションに必要なすべてのパラメータを定義するのに最適です。これには、モデルアーキテクチャの指定（例： YOLO11n）、 、バッチサイズ, 学習率、 エポック数、および設定 データ拡張。これらの設定を一元化することで、体系的な ハイパーパラメータチューニング により、実験の再現が容易になります。その Ultralyticsドキュメント これらの構成ファイルの詳細な例を提供します。

YAMLと他のデータ形式

YAMLは、JSONやXMLなどの他のデータシリアライゼーション形式と比較されることがよくあります。

• YAML vs. JSON: 機能的には類似しており、YAMLはJSON（JavaScript Object Notation）のスーパーセットですが、YAMLはその優れた可読性から構成ファイルとしてよく使用されます。インデントを優先して角かっこやカンマを省略し、構成の選択を文書化するために非常に重要なコメントをサポートしています。
• YAML vs. XML: XML（Extensible Markup Language）と比較して、YAMLははるかに冗長ではありません。XMLは開始タグと終了タグを使用するため、ファイルが大きくなり、人間がすばやく解析するのが難しくなりますが、YAMLのミニマリスト構文は直接編集できるように設計されています。

より広範なエコシステムとツール

YAMLの有用性は、コンピュータビジョンをはるかに超えています。これはDevOpsの世界における基本的なコンポーネントであり、コンテナオーケストレーションを定義するためのKubernetesや、IT自動化プレイブックのためのAnsibleなどのツールで使用されています。この概念は、コードとしての構成（CaC）と呼ばれることがよくあります。

Pythonを使用する開発者にとって、PyYAMLライブラリはYAMLデータの解析と生成によく使用されるツールです。インデントに敏感であるためによく起こる構文エラーを防ぐために、YAMLバリデーターを使用することが推奨されるベストプラクティスです。このツール群のエコシステムにより、YAMLはJupyter Notebookでの初期設定から、DockerやGitHub Actionsなどのツールを使用したCI/CDパイプラインによるフルスケールのモデルデプロイメントまで、MLOpsライフサイクル全体を管理するための堅牢な選択肢となります。構成管理の容易さは、Ultralytics HUBのようなプラットフォームとの統合も簡素化し、シームレスなトレーニングとデプロイメント体験を実現します。