YAML

YAML(YAML Ain't Markup Language)은 소프트웨어 산업에서 구성 파일 작성에 널리 사용되는 사람이 읽을 수 있는 데이터 직렬화 표준입니다. 더 복잡한 마크업 언어와 달리 YAML은 깔끔한 형식과 가독성을 우선시하므로, 매개변수를 신속하게 검토하거나 수정해야 하는 개발자 및 데이터 과학자에게 탁월한 선택입니다. 괄호나 태그 대신 들여쓰기를 사용하는 단순한 구조 덕분에 사용자는 시각적 혼란을 최소화하면서 목록이나 사전과 같은 계층적 데이터 구조를 정의할 수 있습니다. 인공지능 및 머신러닝 분야에서 YAML은 데이터셋 경로에서 하이퍼파라미터 튜닝 설정에 이르기까지 모든 정보를 버전 관리와 공유가 쉬운 형식으로 저장하여 사람의 의도와 기계 실행 사이의 중요한 가교 역할을 합니다.

Link to this section머신러닝에서의 중요성#

현대의 머신러닝 운영(MLOps)에서는 재현 가능하고 체계적인 실험을 유지하는 것이 필수적입니다. YAML 파일은 이러한 실험을 위한 청사진 역할을 하며, 모든 필요한 구성 세부 정보를 단일 문서에 캡슐화합니다. Ultralytics YOLO26 모델과 같은 프레임워크는 이러한 구성 파일을 사용하여 모델 아키텍처와 학습 프로토콜을 정의합니다.

When you train a computer vision model, you often need to specify where your training data lives, how many classes you are detecting, and the names of those classes. Instead of hard-coding these values into Python scripts, which can lead to messy codebases, you separate this data into a YAML file. This separation of concerns allows researchers to swap datasets or adjust learning rates without touching the core codebase, facilitating better experiment tracking and collaboration.

Link to this sectionYAML vs. JSON vs. XML#

YAML은 종종 JSON(JavaScript Object Notation) 및 XML(eXtensible Markup Language)과 비교되지만, AI 생태계 내에서 각각 약간씩 다른 목적을 수행합니다.

• YAML: 사람이 읽고 쓰는 구성 파일에 가장 적합합니다. 주석을 지원하며, 이는 특정 모델 가중치나 매개변수가 선택된 이유를 문서화하는 데 매우 중요합니다.
• JSON: 웹 API나 추론 결과 저장과 같은 기계 간 통신에 이상적입니다. 따옴표와 중괄호가 필요하여 사람이 수동으로 편집하기가 더 어렵고 엄격하며, 주석 기능을 지원하지 않습니다.
• XML: 레거시 시스템이나 복잡한 문서 저장(Pascal VOC 주석 등)에 자주 사용되는 더 장황한 형식입니다. 현대적인 딥러닝 워크플로우의 간단한 구성 작업에는 일반적으로 너무 무거운 것으로 간주됩니다.

Link to this sectionAI의 실제 응용 사례#

YAML은 AI 개발 수명 주기의 여러 중요한 단계에서 활용됩니다.

• 데이터셋 구성: COCO와 같은 객체 감지 데이터셋이나 Ultralytics Platform의 커스텀 데이터로 작업할 때, YAML 파일(data.yaml)은 일반적으로 학습, 검증 및 테스트 세트의 디렉토리 경로를 정의합니다. 또한 클래스 인덱스(0, 1, 2)를 클래스 이름(사람, 자전거, 자동차)에 매핑하여 모델이 데이터 구조를 이해하도록 합니다.
• CI/CD 파이프라인: 지속적 통합(CI) 워크플로우에서 GitHub Actions와 같은 도구는 YAML을 사용하여 자동화 단계를 정의합니다. 여기에는 새로운 신경망 아키텍처에 대한 단위 테스트를 실행하거나 코드가 리포지토리에 푸시될 때마다 Docker 컨테이너에 모델을 배포하는 작업이 포함될 수 있습니다.

Link to this section예시: YOLO 학습 실행 구성#

다음 예시는 일반적인 YAML 파일이 YOLO26 모델 학습을 위한 데이터셋 인터페이스로 어떻게 작동하는지 보여줍니다. 아래 Python 스니펫은 Ultralytics 라이브러리가 이 파일을 사용하여 학습 프로세스를 시작하는 방법을 보여줍니다.

1. coco8.yaml 파일 (개념): 이 파일에는 이미지 경로와 클래스 이름 목록이 포함됩니다.

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. Python 사용법: 코드는 구성을 읽고 지정된 매개변수를 사용하여 학습을 시작합니다.

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 section구문 핵심 개념#

몇 가지 핵심 구문 규칙을 이해하면 잘못된 들여쓰기로 인해 자주 발생하는 ScannerError나 ParserError와 같은 일반적인 오류를 방지하는 데 도움이 됩니다.

• 들여쓰기: YAML은 구조를 나타내기 위해 공백(탭이 아닌 스페이스)을 사용합니다. 중첩된 항목은 부모 항목보다 더 많이 들여써야 합니다.
• 키-값 쌍: 데이터는 key: value로 저장됩니다. 예를 들어 epochs: 100은 학습 주기 횟수를 설정합니다.
• 목록: 시퀀스는 하이픈 -으로 표시됩니다. 이는 데이터 증강 단계나 여러 입력 소스의 목록을 정의하는 데 유용합니다.
• 주석: #으로 시작하는 줄은 파서에 의해 무시되므로, 특정 하이퍼파라미터에 대한 메모를 파일에 직접 남길 수 있습니다.

YAML을 마스터함으로써 실무자는 모델 학습 워크플로우를 간소화하고, 구성 오류를 줄이며, AI 프로젝트의 확장성과 유지보수 용이성을 보장할 수 있습니다.