YAML

YAML (YAML — не язык разметки) — удобочитаемый стандарт сериализации данных, широко используемый в индустрии разработки ПО для записи конфигурационных файлов. В отличие от более сложных языков разметки, YAML делает акцент на чистом форматировании и удобстве чтения, что делает его отличным выбором для разработчиков и специалистов по данным, которым нужно быстро просматривать или изменять параметры. Его простая структура основана на отступах, а не на скобках или тегах, благодаря чему пользователи могут определять иерархические структуры данных, такие как списки и словари, с минимальным визуальным шумом. В контексте искусственного интеллекта и машинного обучения YAML служит важным связующим звеном между намерениями человека и выполнением машиной, храня всё: от путей к наборам данных до настроек подбора гиперпараметров — в формате, которым легко управлять с помощью систем контроля версий и делиться.

Актуальность в машинном обучении#

В современных процессах эксплуатации машинного обучения (MLOps) крайне важно поддерживать воспроизводимость и организованность экспериментов. YAML-файлы служат шаблонами для таких экспериментов, объединяя все необходимые сведения о конфигурации в одном документе. Такие фреймворки, как модели Ultralytics YOLO26, в значительной степени зависят от этих конфигурационных файлов для определения архитектур моделей и протоколов обучения.

При обучении модели компьютерного зрения часто нужно указать, где находятся данные для обучения, сколько классов ты обнаруживаешь и как называются эти классы. Вместо жёсткого встраивания этих значений в скрипты Python, что может привести к неаккуратной структуре кодовой базы, ты выносишь эти данные в YAML-файл. Такое разделение ответственности позволяет исследователям менять наборы данных или настраивать скорости обучения, не затрагивая основной код, что упрощает отслеживание экспериментов и совместную работу.

YAML в сравнении с JSON и XML#

Хотя YAML часто сравнивают с JSON (нотацией объектов JavaScript) и XML (расширяемым языком разметки), в экосистеме ИИ они служат несколько разным целям.

• YAML: лучше всего подходит для конфигурационных файлов, которые пишут и читают люди. Он поддерживает комментарии, крайне важные для документирования причин выбора определённых весов модели или параметров.
• JSON: идеально подходит для обмена данными между машинами, например через веб-API или при сохранении результатов инференса. Его синтаксис строже, а ручное редактирование сложнее из-за обязательных кавычек и фигурных скобок; кроме того, он не поддерживает комментарии.
• XML: более многословный формат, который часто используется в устаревших системах или для хранения сложных документов, например аннотаций Pascal VOC. Обычно он считается слишком громоздким для простых задач конфигурации в современных процессах глубокого обучения.

Практическое применение векторов в ИИ#

YAML используется на нескольких важных этапах жизненного цикла разработки ИИ:

• Конфигурация набора данных: при работе с наборами данных для обнаружения объектов, такими как COCO, или с пользовательскими данными на платформе Ultralytics, YAML-файл (data.yaml) обычно определяет пути к каталогам для обучающей, валидационной и тестовой выборок. Он также сопоставляет индексы классов (0, 1, 2) с названиями классов (person, bicycle, car), чтобы модель правильно понимала структуру данных.
• CI/CD-пайплайны: в процессах непрерывной интеграции такие инструменты, как GitHub Actions, используют YAML для определения шагов автоматизации. Это может включать запуск модульных тестов для новой архитектуры нейронной сети или развёртывание модели в контейнер Docker при каждой отправке кода в репозиторий.

Пример: настройка запуска обучения YOLO#

В следующем примере показано, как типичный YAML-файл служит интерфейсом набора данных для обучения модели YOLO26. Приведённый ниже фрагмент кода Python показывает, как библиотека Ultralytics использует этот файл для запуска процесса обучения.

1. Файл coco8.yaml (концепция): этот файл будет содержать пути к изображениям и список названий классов.

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. Использование Python: код считывает конфигурацию и запускает обучение с указанными параметрами.

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)

Основные понятия синтаксиса#

Понимание нескольких ключевых правил синтаксиса помогает избежать распространённых ошибок, таких как ScannerError или ParserError, которые часто возникают из-за неправильных отступов.

• Отступы: YAML использует пробельные символы (пробелы, а не табуляции) для обозначения структуры. Вложенные элементы должны иметь больший отступ, чем родительские.
• Пары ключ–значение: данные хранятся в виде key: value. Например, epochs: 100 задаёт количество циклов обучения.
• Списки: последовательности обозначаются дефисом -. Это удобно для определения списков шагов аугментации данных или нескольких источников входных данных.
• Комментарии: строки, начинающиеся с #, игнорируются парсером, благодаря чему ты можешь оставлять в файле заметки о конкретных гиперпараметрах.

Освоив YAML, специалисты могут оптимизировать процессы обучения моделей, сократить количество ошибок конфигурации и обеспечить масштабируемость и удобство сопровождения своих проектов в области ИИ.